PhysAttNet：通过物理信息注意力提升工业与天体物理时间序列的预测性能

arXiv:2608.07681v1 公告类型：新 摘要：准确且稳健的时间序列预测在许多涉及物理过程的应用中至关重要，例如制造监测和天体物理事件检测。在这些场景中，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事件相对应的局部时间结构。卷积神经网络（CNN）因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，其学习到的时间表示往往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、泛化能力和可解释性。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 通过一个由领域信息正则化引导的注意力头来增强轻量级 CNN 预测器，该正则化反映了物理信号的结构特性。具体而言，训练过程中施加了三个互补的约束：对齐正则化，鼓励注意力遵循从输入信号导出的平滑、以峰为中心的时间结构；平滑正则化，强制连续的时间演化；以及稀疏正则化，促进对信息丰富区间的选择性关注。这些可微的正则化项引入了物理引导的归纳偏置，无需注释解释或手动监督。在两个不同应用上的实验，即预测铣削过程中的切削力和预测耀变体时间序列中的耀发，表明 PhysAttNet 提高了预测准确性、泛化能力以及对结构上重要事件的预测性能。

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

\[orcid=0000\-0003\-2976\-7574\]\\cormark\[1\] 1\]organization=物理与天文学系，波鸿鲁尔大学，国家=德国 \[style=chinese\] \[\] 2\]organization=虚拟加工组，多特蒙德工业大学，国家=德国 3\]organization=物理系，国家=德国 \\cortext \[cor1\]通讯作者 Julia TjusPetra Wiederkehr\Wolfgang Rhode

###### 摘要

准确且鲁棒的时间序列预测在许多涉及物理过程的应用领域中至关重要，例如制造监测和天体物理事件检测。在这些场景中，预测模型必须在噪声、变异性和测量不确定性下保持可靠，同时捕获与物理意义事件对应的时间局域结构。卷积神经网络（CNN）因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，它们学习到的时间表示往往表现出不稳定或物理上不一致的注意力模式，这可能降低鲁棒性、泛化能力和可解释性。本文介绍了PhysAttNet，一种面向