Cross-Domain Long-Term Forecasting: Radiation Dose from Sparse Neutron Sensor via Spatio-Temporal Operator Network

📄 arXiv: 2510.18041v1 📥 PDF

作者: Jay Phil Yoo, Kazuma Kobayashi, Souvik Chakraborty, Syed Bahauddin Alam

分类: cs.LG, cs.AI

发布日期: 2025-10-20

💡 一句话要点

提出STONe，通过时空算子网络解决稀疏中子传感器下的跨域长期辐射剂量预测问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 跨域预测 长期预测 神经算子 时空建模 辐射剂量预测

📋 核心要点

  1. 现有神经算子依赖密集共址数据和短时上下文，无法有效处理实际系统中稀疏、跨域和长时预测的挑战。
  2. STONe通过学习异构域间的稳定函数映射，实现非自回归的长期预测，无需域对齐或自回归传播。
  3. STONe在23年全球中子数据上训练，实现了180天辐射剂量精准预测，推理速度达到毫秒级。

📝 摘要（中文）

从稀疏的跨域传感器数据中预测不可观测的物理量是科学机器学习中一个尚未解决的核心问题。现有的神经算子和大规模预测器依赖于密集的、共址的输入-输出场和短的时间上下文，这些假设在实际系统中并不成立，因为传感和预测发生在不同的物理流形上，并且跨越很长的时间尺度。我们引入了时空算子网络（STONe），这是一个非自回归的神经算子，它学习异构域之间的稳定函数映射。通过直接从稀疏的地面中子测量推断高空辐射剂量场，STONe证明了算子学习可以推广到共享域设置之外。它定义了传感器和目标流形之间的非线性算子，该算子在长预测范围内保持稳定，无需迭代递归。这挑战了算子学习需要域对齐或自回归传播的传统观点。STONe使用23年的全球中子数据进行训练，实现了精确的180天预测，推理延迟为毫秒级。该框架为跨域算子推断建立了一个通用原则，从而能够实时预测物理、气候和能源系统中的复杂时空场。

🔬 方法详解

问题定义：论文旨在解决从稀疏的地面中子传感器数据预测高空辐射剂量这一难题。现有方法，如传统神经算子和大规模预测模型，通常依赖于密集的、共址的输入输出数据，并且需要短时间上下文，这在实际应用中难以满足。此外，现有方法在处理跨域问题，即传感器和预测目标位于不同物理流形上的情况时，性能会显著下降。

核心思路：STONe的核心思路是学习一个非自回归的神经算子，该算子能够直接建立从稀疏的地面中子测量到高空辐射剂量场的稳定函数映射。通过学习这种映射关系，STONe避免了对密集数据和短时间上下文的依赖，并且能够处理跨域问题。非自回归的设计使得STONe能够进行长期预测，而无需迭代递归，从而提高了预测的稳定性和效率。

技术框架：STONe的整体架构包含以下几个主要模块：1) 输入层：接收稀疏的地面中子传感器数据。2) 算子学习层：通过神经网络学习从传感器数据到目标辐射剂量场的非线性映射。3) 输出层：输出预测的高空辐射剂量场。STONe采用非自回归的方式进行预测，即一次性预测整个时间范围内的辐射剂量，而不需要像自回归模型那样逐步预测。

关键创新：STONe最重要的技术创新点在于它能够学习跨域的算子映射，即在传感器和预测目标位于不同物理流形上的情况下，仍然能够进行准确的预测。这与现有方法需要域对齐或自回归传播的思路不同。STONe通过学习一个稳定的函数映射，实现了跨域的长期预测，并且避免了迭代递归带来的误差累积。

关键设计：STONe的关键设计包括：1) 使用合适的神经网络结构来学习算子映射，例如可以使用Transformer或者其他类型的注意力机制来捕捉时空依赖关系。2) 设计合适的损失函数来训练网络，例如可以使用均方误差（MSE）或者其他更复杂的损失函数来衡量预测结果的准确性。3) 采用适当的正则化方法来防止过拟合，例如可以使用L1或L2正则化。论文中可能还涉及特定的网络结构参数和训练策略，但具体细节未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

STONe在23年的全球中子数据上进行了训练，实验结果表明，STONe能够实现精确的180天辐射剂量预测，并且推理延迟仅为毫秒级。这表明STONe具有很高的预测精度和效率，能够满足实时预测的需求。与现有方法相比，STONe在跨域和长期预测方面具有显著的优势，但具体的量化提升幅度未知。

🎯 应用场景

STONe框架可广泛应用于物理、气候和能源系统等领域，例如：实时预测空间天气对卫星的影响，优化核电站的辐射防护，以及评估气候变化对地球辐射平衡的影响。该技术能够利用稀疏的传感器数据，实现对复杂时空场的实时预测，具有重要的实际应用价值和广阔的未来发展前景。

📄 摘要（原文）

Forecasting unobservable physical quantities from sparse, cross-domain sensor data is a central unsolved problem in scientific machine learning. Existing neural operators and large-scale forecasters rely on dense, co-located input-output fields and short temporal contexts, assumptions that fail in real-world systems where sensing and prediction occur on distinct physical manifolds and over long timescales. We introduce the Spatio-Temporal Operator Network (STONe), a non-autoregressive neural operator that learns a stable functional mapping between heterogeneous domains. By directly inferring high-altitude radiation dose fields from sparse ground-based neutron measurements, STONe demonstrates that operator learning can generalize beyond shared-domain settings. It defines a nonlinear operator between sensor and target manifolds that remains stable over long forecasting horizons without iterative recurrence. This challenges the conventional view that operator learning requires domain alignment or autoregressive propagation. Trained on 23 years of global neutron data, STONe achieves accurate 180-day forecasts with millisecond inference latency. The framework establishes a general principle for cross-domain operator inference, enabling real-time prediction of complex spatiotemporal fields in physics, climate, and energy systems.