Un modelo LSTM escalar inspirado en cuántica con atención integrada para la inversión precisa y estable de fuentes de...

Área de la Ciencia:

• Ciencias Ambientales
• Geoquímica
• Ciencia de Datos

Sus antecedentes:

• La inversión de la fuente de contaminación de aguas subterráneas depende en gran medida de los datos de los pozos de monitoreo.
• Los métodos existentes a menudo pasan por alto la importancia variable de los pozos de monitoreo individuales.
• La inversión precisa de los parámetros de la fuente de contaminación es fundamental para una remediación eficaz.

Objetivo del estudio:

• Desarrollar un modelo de inversión avanzado para fuentes de contaminación de aguas subterráneas.
• Mejorar la precisión y la estabilidad de la estimación de parámetros de la fuente de contaminación.
• Integrar mecanismos de atención para mejorar la ponderación de datos en modelos de inversión.

Principales métodos:

• Integración de la atención de producto escalar (SDPA) con la memoria a corto plazo escalar (sLSTM).
• Desarrollo de un mecanismo de atención inspirado en cuántica (QIA) incorporando parámetros inspirados en la teoría cuántica en SDPA.
• Aplicación del modelo QIA-sLSTM a estudios de caso sintéticos de inversión de fuentes de contaminación de aguas subterráneas.

Principales resultados:

• El módulo QIA mejoró significativamente la precisión de la inversión en comparación con los mecanismos de atención estándar.
• El modelo QIA-sLSTM demostró un rendimiento superior y estable en varios escenarios de contaminación.
• El modelo propuesto mostró potencial para mejorar la estabilidad del modelo y reducir los costos computacionales.

Conclusiones:

• El mecanismo de atención inspirado en cuántica ofrece un avance significativo en la inversión de la fuente de contaminación de aguas subterráneas.
• El modelo QIA-sLSTM proporciona una comprensión más completa de las relaciones complejas de los datos para una estimación precisa de los parámetros.
• Este enfoque representa una dirección prometedora para mejorar las estrategias de monitoreo y remediación ambiental.