相关实验视频

Updated: May 5, 2026

Large Scale Energy Efficient Sensor Network Routing Using a Quantum Processor Unit

Large Scale Energy Efficient Sensor Network Routing Using a Quantum Processor Unit

Published on: September 8, 2023

一种混合物理信息的神经和可解释的人工智能方法,用于可扩展和可解释的AQI预测

Sai Varun Chandrashekar¹, Firoz Khan², Sunaina Sridhar³

¹Department of Computer Science and Engineering, Sathyabama Institute of Science and Technology, Chennai, India.

|September 22, 2025

概括

本研究介绍了AirSense-X,这是一种使用物理信息神经网络 (PINN) 和可解释AI (XAI) 进行准确空气质量预测和分类的新方法. 该方法通过整合物理定律,显著改善了传统模型,在空气质量指数预测中实现了高可靠性.

科学领域:

环境科学环境科学
数据科学数据科学数据科学
计算科学计算科学

背景情况:

空气污染对公众健康,气候和生态系统构成重大风险.
由于复杂的污染动态,空气质量指数 (AQI) 的准确预测和分类具有挑战性.
传统的机器学习 (ML) 和深度学习 (DL) 模型难以将物理定律纳入,限制了预测准确性.

研究的目的:

引入AirSense-X,这是一个结合物理信息神经网络 (PINN) 和可解释AI (XAI) 的新方法,用于改进AQI分类.
通过将控制空气污染的物理定律集成到神经网络模型中来提高AQI预测.
提供与传统ML和DL模型对拟议方法的比较分析.

主要方法:

利用物理信息神经网络 (PINN) 进行AQI回归,将物理定律纳入学习过程.
采用结构映射技术,基于预测值进行AQI分类.
集成可解释AI (XAI) 技术用于模型解释性和理解预测驱动器.

主要成果:

在AQI分类中实现了高精度 (98%),精度 (97%),回忆 (95%) 和F1得分 (0.96).
与传统和整体ML / DL模型相比,证明了卓越的性能.
混矩阵显示了21,306个实例的准确分类,只有268个错误分类.

结论:

通过整合物理定律,AirSense-X方法有效地提高了AQI预测的准确性和可靠性.
在捕捉复杂的环境现象方面,PINN模型比纯数据驱动的模型具有显著的优势.
PINN和XAI的组合提供了准确,可解释和可靠的空气质量指数分类.

关键词:

空气污染的分类空气污染的分类空气质量指数是指空气质量指数.环境监测环境监测环境监测可以解释的ai.可以解释的机器学习基于物理学的神经网络.

相关概念视频

Non-equilibrium in the Cell

Non-equilibrium in the Cell

An important concept in studying metabolism and energy is that of chemical equilibrium. Most chemical reactions are reversible. They can proceed in both directions, releasing energy into their environment in one direction, and absorbing it from the environment in the other direction. The same is true for the chemical reactions involved in cell metabolism, such as the breaking down and building up of proteins into and from individual amino acids, respectively. Reactants within a closed system...