Neurale Netzwerke mit physikalischem Bewusstsein optimieren magnetische Navigation

Magnetische Anomalien bieten eine vielversprechende GPS‑Alternative, wenn Satellitenempfang fehlt oder gestört ist. Für Luftfahrzeuge ist die größte Hürde jedoch die vom Flugzeug selbst erzeugte magnetische Störung, die die Messdaten stark verfälscht.

Der klassische Tolles‑Lawson‑Ansatz kann diese stochastisch verrauschten Daten nicht ausreichend korrigieren. Um dem entgegenzuwirken, schlägt die neue Studie ein Framework vor, das zwei physikalische Constraints nutzt: die Divergenzfreiheit eines Vektorfeldes und die E(3)‑Equivarianz.

Die Divergenzfreiheit wird erreicht, indem das neuronale Netz ein Vektorpotential \(A\) lernt; das Magnetfeld ergibt sich dann als Curl von \(A\). Für die E(3)‑Equivarianz werden Tensorprodukte geometrischer Tensoren verwendet, die sich durch Kugelflächenharmoniken darstellen lassen und bekannte Rotationstransformationsregeln besitzen.

Durch die Einhaltung physikalischer Gesetze wirkt das Modell als impliziter Regularisierer, der die räumlich‑zeitliche Genauigkeit deutlich verbessert. Ablationsstudien zeigen, wie jede Einschränkung einzeln und gemeinsam in verschiedenen Architekturen – CNNs, MLPs, Liquid Time Constant‑Modellen und Contiformers – wirkt.

Besonders die Contiformer‑Architektur, die kontinuierliche Zeitdynamik und langfristige Gedächtnisfähigkeiten kombiniert, übertrifft aktuelle Methoden in der Modellierung von magnetischen Zeitreihen.

Um die knappe Verfügbarkeit von realen Messdaten zu kompensieren, generiert die Arbeit synthetische Datensätze, die auf etablierten Modellen des Erdmagnetfeldes basieren. Diese synthetischen Daten ermöglichen ein robustes Training und eine gründliche Evaluierung der vorgeschlagenen Ansätze.