PhysAttNet：通过物理信息注意力增强工业和天体物理时间序列的预测性能

arXiv:2608.07681v1 发布类型：新 摘要：准确而稳健的时间序列预测对于涉及物理过程的许多应用至关重要，例如制造监控和天体物理事件检测。在这些设置中，预测模型必须在噪声、变异性和测量不确定性下保持可靠，同时捕获与物理上有意义的事件相对应的时间局部结构。卷积神经网络（CNN）由于其计算效率和强大的表示能力而被广泛用于此类任务。然而，他们学习到的时间表示通常表现出不稳定或物理上不一致的注意力模式，从而降低了鲁棒性、泛化性和可解释性。本文介绍了 PhysAttNet，一种用于时间序列预测的物理信息注意力框架。 PhysAttNet 通过由领域信息正则化引导的注意力头增强了轻量级 CNN 预测器，该注意力头反映了物理信号的结构特性。具体来说，在训练期间施加三个互补的约束：鼓励注意力遵循从输入信号派生的平滑、以峰值为中心的时间结构的对齐正则化，强制连续时间演化的平滑正则化，以及促进选择性关注信息区间的稀疏正则化。这些可微分正则化项引入了物理引导的归纳偏差，无需注释解释或手动监督。对两个不同应用（即预测铣削过程中的切削力和预测 Blazar 时间序列中的耀斑）的实验表明，PhysAttNet 提高了结构重要事件的预测准确性、泛化性和预测性能。