En ny AI-model, PhysAttNet, er designet til at forbedre tidsserieforudsigelser i fysiske processer som fremstillingsovervågning og astrofysisk detektion. Modellen, beskrevet i et arXiv-paper, adresserer et centralt problem: konventionelle neurale netværk, især CNN'er, er effektive, men deres lærte tidsmæssige repræsentationer er ofte ustabile eller fysisk inkonsistente, hvilket reducerer robusthed, generalisering og fortolkningsevne.
PhysAttNet løser dette ved at tilføje en opmærksomhedsmekanisme, der er styret af fysisk informeret regularisering. Tre komplementære begrænsninger pålægges under træning: en justeringsregularisering, der opmuntrer opmærksomhed til at følge glatte, peak-centrerede strukturer; en glathedsregularisering, der sikrer kontinuerlig tidsmæssig udvikling; og en sparsitetsregularisering, der fremmer fokuseret opmærksomhed på informative intervaller. Disse differentierbare regulariseringsbetingelser introducerer fysisk guidet induktiv bias uden at kræve annoterede forklaringer eller manuel supervision.
Eksperimenter på to forskellige anvendelser — forudsigelse af skærekræfter under fræsning og forudsigelse af flares i blazar-tidsserier — viser, at PhysAttNet forbedrer forudsigelsesnøjagtighed, generalisering og præstation på strukturelt vigtige hændelser. For beslutningstagere betyder det, at AI-modeller kan blive mere pålidelige i kritiske industrielle og videnskabelige sammenhænge, hvor fysiske processer er centrale.
