基于人工智能的磁场估计算法的提案

《IEEE Transactions on Applied Superconductivity》：Proposal of AI-Based Magnetic Field Estimation Methods

　　摘要：我们提出了一种名为“投影到场网络”（Projection-to-Field Network，简称PF-Net）的深度学习方法，该方法能够基于单一磁光偏振旋转角度图θθ(xx,yy)单次估计出观测平面上的三维矢量磁场BBxx、BByy和BBzz。尽管从单一标量观测值估计三个场分量在像素层面属于欠定问题，但PF-Net利用卷积架构中的空间信息来稳定这一逆问题，从而实现了平滑性和噪声抑制等形式的隐式正则化。该模型使用磁模拟器MagTense生成的10,000个合成数据进行训练和评估。其性能与几种基线方法进行了对比：传统的解析方法、逐像素线性回归以及两种基于正则化最小二乘（Regularized Least Squares，简称RLS）的方法——即基于变分RLS的联合矢量场重建方法（JVVR）和基于RLS的两阶段势场重建方法（TPR）。在固定测试单通道条件下，PF-Net的均方误差（MAE）为0.042 mT，相对均方误差（rMAE）为0.458 ± 0.039%，角度误差为0.420 ± 0.023°，显著优于所有基线方法。此外，我们还评估了其在面对非线性响应、传感器参数变化、测量噪声异常（Out-of-Distribution，OOD）输入、观测模型不匹配以及分布偏移时的鲁棒性。特别是，通过平面内散度抑制（Div2D）实现的显式正则化增强了模型在测量劣化条件下的鲁棒性。这些结果表明，PF-Net是一种用于磁光成像中单次矢量磁场估计的极具前景的数据驱动框架。