Графовые модели ломаются на неравномерных сетях: как физика спасает прогноз радиации

78% станций радиационного мониторинга Японии находятся менее чем на 6% территории страны, скучившись вокруг Фукусимы. Это ломает базовые допущения стандартных графовых моделей: алгоритм, обученный на таких данных, просто не знает, что происходит за пределами плотной сети.

Именно это практическое ограничение решает NRFormer+ — spatio-temporal Transformer для общенационального прогноза радиационного фона. Архитектура связывает нестационарный временной attention с density-adaptive пространственным attention, а затем добавляет атмосферный модуль диффузии. Этот модуль оценивает, как метеорология — ветер, температура, влажность — управляет рассеянием радиации, и встраивает физический сигнал в сеть как архитектурный prior.

Идея не в том, чтобы «дать модели больше данных», а в том, чтобы заставить её уважать физику атмосферного переноса. Чисто data-driven подходы плохо улавливают, как радиация коэволюционирует с погодой, потому что наблюдения сами по себе не объясняют физику процесса. Встраивание диффузии как prior — попытка закрыть этот разрыв между данными и механизмом.

Результат: NRFormer+ обходит 13 базовых моделей на двух датасетах, снижая MAE при резких изменениях на 19.1% у сильнейшего бейзлайна, при сопоставимой задержке вывода. Резкие изменения — именно то, что критично для аварийного реагирования, а не для рутинного мониторинга.

Код и датасеты доступны публично, что даёт возможность проверить заявленную точность на реальных данных, а не на синтетических бенчмарках.

Источник: cs.AI updates on arXiv.org