Physics Aware Neural Networks: Denoising for Magnetic Navigation

ملخص تقني: الشبكات العصبية المدركة للفيزياء لإزالة الضجيج في الملاحة المغناطيسية

بيان المشكلة
توفر الملاحة عبر الشذوذ المغناطيسي بديلاً حاسماً لأنظمة الملاحة العالمية عبر الأقمار الصناعية (GNZ) في البيئات التي تتعرض للتشويش أو التزييف. ومع ذلك، تواجه الملاحة الجوية المغناطيسية تحدياً جوهرياً: حيث تولد الطائرة نفسها ضجيجاً مغناطيسياً ناتجاً عن هيكلها، ومحركاتها، وأجهزتها، مما يؤدي إلى تشويه قياسات المجال الجيومغناطيسي المحلي اللازمة لتحديد الموقع الجغرافي. وبينما تعالج الطرق الكلاسيكية مثل نموذج "تولز-لاوسون" (Tolles-Lawson) التداخل الحتمي، فإنها تفشل في التعامل بشكل كافٍ مع الضجيج العشوائي المتأصل في البيانات التشغيلية. علاوة على ذلك، تفتقر نهج التعلم العميق الحالية غالباً إلى الاتساق الفيزيائي المطلوب لنمذجة المجالات المغناطيسية بدقة، مما يؤدي إلى ملاحة عرضة للأخطاء.

المنهجية
يقترح المؤلفون نهجاً قائماً على المبادئ الأولى يدمج القوانين الفيزيائية مباشرة في بنيات الشبكات العصبية لإزالة الضجيج من بيانات مقياس المغناطيسية. وتعتمد المنهجية على ثلاث ركائز أساسية:

1. القيود المدركة للفيزياء:

   • قيد خلو التباعد (Divergence-Free Constraint): لضمان تحقيق قانون ماكسويل الثاني ($\nabla \cdot \mathbf{B} = 0$)، لا تقوم الشبكة بإخراج المجال المغناطيسي $\mathbf{B}$ مباشرة، بل تخرج جهداً متجهياً $\mathbf{A}_\theta$. ويتم بناء المجال المغناطيسي كدوران (curl) لهذا الجهد ($\mathbf{B} = \nabla \times \mathbf{A}_\theta$). وهذا يضمن خاصية خلو التباعد بشكل متطابق، حيث أن $\nabla \cdot (\nabla \times \mathbf{A}) = 0$ لأي مجال متجهي سلس.
   • التكافؤ تحت مجموعة التحويلات (E(3)-Equivariance): لضمان بقاء التنبؤات متسقة بغض النظر عن موقع المستشعر واتجاهه، تفرض الشبكة تكافؤ E(3) (الثبات تحت التحويلات الصلبة). يتم تنفيذ ذلك باستخدام موترات هندسية ممثلة بالتوافقيات الكروية. تستخدم البنية ضرب الموترات ومعاملات "كليتش-غوردان" (Clebsch-Gordan) لضمان أنه إذا تم تدوير المدخلات، فإن المخرجات تدور بشكل متوافق.

2. التصميم البنيوي للديناميكيات الزمنية:
   بإدراك أن بيانات مقياس المغناطيسية تُجمع بانتظام غير منتظم وتظهر تبعيات طويلة الأمد (مثل التيارات الدوامية، والانجراف الحراري)، يقوم المؤلفون بنمذجة النظام باستخدام ديناميكيات مستمرة في الزمن.

   • المعادلات التفاضلية العادية العصبية (Neural ODEs): تتطور الحالة الخفية $z(t)$ عبر معادلة تفاضلية عادية عصبية ($\dot{z}(t) = f_\theta(z(t), t)$)، مما يسمح للنموذج بالتعامل مع أي فترات زمنية $\Delta t_i$.
   • الذاكرة طويلة الأمد: تتضمن البنية آليات للاحتفاظ بالسياق طويل المدى، وهو أمر ضروري لنمذجة مصادر الضجيج التي تتلاشى ببطء بمرور الوقت.
   • البنيات التي تم تقييمها: تدرس الدراسة أربع بنيات أساسية: الإدراك متعدد الطبقات (MLP)، والشبكات العصبية التلافيفية أحادية البعد (1D CNN)، وشبكات الثابت الزمني السائل (LTC)، و"كونتيفورمر" (Contiformers). وقد تم تسليط الضوء على "الكونتيفورمر"، الذي يمتلك بطبيعته ديناميكيات مستمرة في الزمن وذاكرة طويلة المدى، باعتباره الأكثر فعالية.

3. توليد البيانات الاصطناعية:
   لمعالجة ندرة بيانات الطيران الواقعية، طور المؤلفون شبكة خصومة توليدية شرطية (cGAN). يتعلم هذا النموذج التوزيع المشترك لقراءات المستشعرات في نافذة زمنية مشروطة بملصقات سياقية منفصلة (مثل معرف الرحلة، والوضعية). يستخدم المولد شبكة LSTM مكونة من طبقتين لإنتاج تسلسلات مجال مغناطيسي واقعية ومتسقة زمنياً بناءً على النموذج المغناطيسي العالمي (WMM).

المساهمات الرئيسية

1. قيود مبتكرة: تقديم مجالات متجهة خالية من التباعد وتكافؤ E(3) كقيود صارمة داخل الشبكات العصبية للملاحة المغناطيسية، مما يضمن الالتزام بمعادلات ماكسويل والاتساق الدوراني.
2. تحديد البنية: تحديد الديناميكيات المستمرة في الزمن والذاكرة طويلة المدى كخصائص حاسمة لنمذجة البيانات الزمنية المغناطيسية، حيث أظهرت بنية "الكونتيفورمر" أداءً فائقاً.
3. تخليق البيانات: تطوير خط إنتاج لتوليد البيانات الاصطناعية باستخدام شبكات cGAN والنموذج المغناطيسي العالمي (WMM) للتغلب على ندرة البيانات.
4. تنفيذ النظام: تصميم وتقييم مسار كامل لإزالة الضجيج يتفوق على كل من نماذج التعويض الكلاسيكية ونهج التعلم العميق غير المقيد.

النتائج
تم تقييم النظام باستخدام بيانات طيران حقيقية (مجموعة بيانات MagNav) وبيانات اصطناعية تم توليدها بواسطة cGAN. تم قياس الأداء باستخدام جذر متوسط مربع الخطأ (RMSE) ونسبة الإشارة إلى الضجيج (SNR).

• تأثير القيود: أدى إضافة القيود المدركة للفيزياء إلى تحسين الأداء باستمرار عبر جميع البنيات. وقد حقق الجمع بين كلا القيدين أعلى المكاسب؛ فعلى سبيل المثال، في بنية MLP، انخفض RMSE في الاختبار بنسبة 57% عند تطبيق كلا القيدين.
• مقارنة البنيات: تفوقت بنية "الكونتيفورمر" بشكل كبير على MLP وCNN وLTC. حقق أفضل نموذج (الكونتيفورمر مع كلا القيدين) RMSE في الاختبار قدره 13.09 نانو تسلا وSNR قدره 56.47 ديسيبل، مقارنة بـ 70.47 نانو تسلا لنموذج MLP الأساسي.
• دراسات الاستئصال (Ablation Studies): أكدت الدراسة أنه بينما أدى كل قيد على حدًا (خلو التباعد أو التكافؤ) إلى تحسين النتائج، فإن الجمع بينهما وفر أكثر قوة في إزالة الضجيج، حيث عملا بفعالية كمنظم ضمني.

الأهمية
تزعم الورقة أن دمج المبادئ الفيزيائية الأساسية مباشرة في بنيات الشبكات يوفر إطاراً قابلاً للتعميم للأنظمة المكانية والزمانية. ومن خلال تقييد فضاء الدوال المسموح بها بالحلول المعقولة فيزيائياً، يحسن النموذج دقة التنبؤ والمعقولية الفيزيائية دون الاعتماد فقط على حجم البيانات. يوضح العمل أن القيود المدركة للفيزياء يمكن أن تسد الفجوة بفعالية بين النماذج الفيزيائية الكلاسيكية والتعلم العميق الحديث، مما يقدم حلاً قوياً للملاحة عبر الشذوذ المغناطيسي في البيئات ذات البيانات الشحيحة والضجيج العالي. ويشير المؤلفون إلى أن هذا النهج قابل للتطبيق بما يتجاوز الملاحة المغناطيسية ليشمل الأنظمة الديناميكية الأخرى المحكومة بالقوانين الفيزيائية.