Physics Aware Neural Networks: Denoising for Magnetic Navigation

Riepilogo Tecnico: Reti Neurali Consapevoli della Fisica per la Riduzione del Rumore nella Navigazione Magnetica

Enunciato del Problema
La navigazione basata su anomalie magnetiche offre un'alternativa critica ai Sistemi di Navigazione Satellitare Globale (GNSS) in ambienti dove i segnali sono disturbati o contraffatti. Tuttavia, la navigazione magnetica aerea affronta una sfida fondamentale: l'aeromobile stesso genera rumore magnetico proveniente dal telaio, dai motori e dagli strumenti, il quale corrompe le misurazioni del campo geomagnetico locale necessarie per la geolocalizzazione. Mentre i metodi classici come il modello Tolles-Lawson affrontano le interferenze deterministiche, non riescono a gestire adeguatamente il rumore stocastico intrinseco nei dati operativi. Inoltre, gli approcci esistenti di deep learning spesso mancano della coerenza fisica necessaria per modellare accuratamente i campi magnetici, portando a una navigazione soggetta a errori.

Metodologia
Gli autori propongono un approccio basato sui primi principi che integra le leggi fisiche direttamente nelle architetture delle reti neurali per ridurre il rumore nei dati dei magnetometri. La metodologia si fonda su tre pilastri fondamentali:

1. Vincoli Consapevoli della Fisica:

   • Vincolo a Divergenza Zero: Per soddisfare la seconda legge di Maxwell ($\nabla \cdot \mathbf{B} = 0$), la rete non produce direttamente il campo magnetico $\mathbf{B}$. Invece, produce un potenziale vettoriale $\mathbf{A}_\theta$. Il campo magnetico è costruito come il rotore di questo potenziale ($\mathbf{B} = \nabla \times \mathbf{A}_\theta$). Questo garantisce identicamente la proprietà a divergenza zero, poiché $\nabla \cdot (\nabla \times \mathbf{A}) = 0$ per qualsiasi campo vettoriale regolare.
   • Equivarianza E(3): Per garantire che le previsioni rimangano coerenti indipendentemente dalla posizione e dall'orientamento del sensore, la rete impone l'equivarianza E(3) (invarianza sotto trasformazioni rigide). Ciò è implementato utilizzando tensori geometrici rappresentati da armoniche sferiche. L'architettura utilizza prodotti tensoriali e coefficienti di Clebsch-Gordan per garantire che, se l'input viene ruotato, l'output ruoti di conseguenza.

2. Progettazione Architettonica per le Dinamiche Temporali:
   Riconoscendo che i dati dei magnetometri sono campionati in modo irregolare e presentano dipendenze a lungo termine (ad esempio, correnti parassite, deriva termica), gli autori modellano il sistema utilizzando dinamiche a tempo continuo.

   • ODE Neurali: Lo stato nascosto $z(t)$ evolve tramite un'equazione differenziale ordinaria neurale ($\dot{z}(t) = f_\theta(z(t), t)$), consentendo al modello di gestire intervalli di tempo arbitrari $\Delta t_i$.
   • Memoria a Lungo Termine: L'architettura incorpora meccanismi per mantenere il contesto a lungo raggio, essenziale per modellare le fonti di rumore che decadono lentamente nel tempo.
   • Architetture Valutate: Lo studio valuta quattro architetture di base: Perceptron Multistrato (MLP), Reti Neurali Convoluzionali 1D (CNN), Reti a Costante Temporale Liquida (LTC) e Contiformer. Il Contiformer, che possiede intrinsecamente dinamiche a tempo continuo e memoria a lungo termine, è evidenziato come il più efficace.

3. Generazione di Dati Sintetici:
   Affrontando la scarsità di dati di volo reali, gli autori hanno sviluppato una Rete Generativa Avversaria Condizionale (cGAN). Questo modello apprende la distribuzione congiunta delle letture dei sensori a finestre condizionate da etichette di contesto discrete (ad esempio, ID di volo, assetto). Il generatore utilizza un LSTM a 2 livelli per produrre sequenze realistiche e temporalmente coerenti di campi magnetici basate sul World Magnetic Model (WMM).

Contributi Chiave

1. Nuovi Vincoli: Introduzione di campi vettoriali a divergenza zero e di equivarianza E(3) come vincoli rigidi all'interno delle reti neurali per la navigazione magnetica, garantendo l'aderenza alle equazioni di Maxwell e la coerenza rotazionale.
2. Identificazione Architettonica: Identificazione delle dinamiche a tempo continuo e della memoria a lungo termine come proprietà critiche per la modellazione dei dati di serie temporali magnetiche, con l'architettura Contiformer che dimostra prestazioni superiori.
3. Sintesi dei Dati: Sviluppo di una pipeline di generazione di dataset sintetici utilizzando cGAN e il WMM per superare la scarsità di dati.
4. Implementazione del Sistema: Progettazione e valutazione di una pipeline completa di riduzione del rumore che supera sia i modelli di compensazione classici sia gli approcci di deep learning non vincolati.

Risultati
Il sistema è stato valutato su dati di volo reali (dataset MagNav) e su dati sintetici generati dalla cGAN. Le prestazioni sono state misurate utilizzando l'Errore Quadratico Medio Radice (RMSE) e il Rapporto Segnale-Rumore (SNR).

• Impatto dei Vincoli: L'aggiunta di vincoli consapevoli della fisica ha migliorato costantemente le prestazioni in tutte le architetture. La combinazione di entrambi i vincoli ha prodotto i guadagni più elevati. Ad esempio, nell'architettura MLP, l'RMSE di test è diminuito del 57% quando sono stati applicati entrambi i vincoli.
• Confronto tra Architetture: L'architettura Contiformer ha superato significativamente MLP, CNN e LTC. Il modello con le prestazioni migliori (Contiformer con entrambi i vincoli) ha raggiunto un RMSE di test di 13,09 nT e un SNR di 56,47 dB, rispetto all'RMSE di test di base di MLP di 70,47 nT.
• Studi di Ablazione: Lo studio ha confermato che, sebbene i singoli vincoli (divergenza zero o equivarianza) abbiano migliorato i risultati, la loro combinazione ha fornito la riduzione del rumore più robusta, agendo efficacemente come un regolarizzatore implicito.

Significato
Il documento afferma che l'incorporazione di principi fisici fondamentali direttamente nelle architetture di rete fornisce un framework generalizzabile per sistemi spazio-temporali. Vincolando lo spazio delle funzioni di campo ammissibili a soluzioni fisicamente plausibili, il modello migliora l'accuratezza predittiva e la plausibilità fisica senza fare affidamento esclusivamente sul volume dei dati. Il lavoro dimostra che i vincoli consapevoli della fisica possono colmare efficacemente il divario tra i modelli fisici classici e il moderno deep learning, offrendo una soluzione robusta per la navigazione basata su anomalie magnetiche in ambienti con scarsità di dati e rumorosi. Gli autori notano che questo approccio è applicabile oltre la navigazione magnetica ad altri sistemi dinamici governati da leggi fisiche.