SOLID: Diffusionsmodell liefert präzise Vorhersagen bei spärlichen Messungen

Physikalische Felder, wie Temperaturverteilungen oder Luftfeuchte, werden häufig nur an wenigen, zeitlich variierenden Sensoren erfasst. Diese spärliche Beobachtung macht die Vorhersage und Rekonstruktion von Feldwerten zu einer schwierigen Aufgabe, bei der Unsicherheitsabschätzungen besonders wichtig sind.

Das neue Modell SOLID – ein maskenbasiertes Diffusionsframework – löst dieses Problem, indem es ausschließlich aus den vorhandenen, spärlichen Messungen lernt. Im Gegensatz zu früheren Ansätzen, die auf dichten Reanalysedaten oder Simulationen trainieren und erst später unter sparsamen Bedingungen testen, wird SOLID end-to-end mit nur sparsamen Supervisionen trainiert und evaluiert.

Jeder Denoising-Schritt von SOLID wird dabei auf die gemessenen Werte und deren Standorte konditioniert. Durch ein duales Maskierungsziel legt das Modell den Fokus auf zwei Bereiche: Erstens auf die unbesuchten Lücken, wo das Modell am meisten lernen muss, und zweitens auf die Überlappungsstellen, an denen Messungen und Zielwerte die zuverlässigsten Ankerpunkte bieten. Diese gezielte, spärliche Konditionierung ermöglicht es, Posterior-Samples ganzer Felder zu erzeugen, die exakt mit den vorhandenen Messungen übereinstimmen.

In Tests zeigt SOLID einen bis zu zehnmal besseren probabilistischen Fehlerwert als frühere Methoden und liefert hochkalibrierte Unsicherheitskarten mit einer Korrelationskoeffizienten‑Wert von über 0,7 – selbst bei extrem spärlichen Daten. Diese Fortschritte markieren einen bedeutenden Schritt in der präzisen Vorhersage und Unsicherheitsabschätzung physikalischer Felder unter realen Messbedingungen.