“空间引力波探测”专栏 | 扭摆地面振动响应的傅里叶特征网络重建
“空间引力波探测”专栏 | 扭摆地面振动响应的傅里叶特征网络重建
摘要:针对空间引力波探测地面验证中普通实验室环境下高Q值扭摆系统的信号重建问题,提出了一种课程学习驱动的傅里叶特征网络方法(FouCLNet)。现有硬件隔振策略对场地与经费要求严苛,难以在普通地面实验室实施。传统物理信息神经网络在高Q值振荡系统中存在谱偏置、梯度冲突及输出衰减至接近零等固有局限。本文采用对数间距傅里叶特征映射,将频率参数均匀分布于0.003~0.02 Hz区间,以匹配扭摆0.007 Hz固有频率;构建4层全连接网络,设计硬振幅约束损失函数防止微弧度量级信号衰减;通过三阶段课程学习策略渐进引入弱物理约束,将偏微分方程残差权重退火至 1×10-8 量级。以地震噪声激励下的扭摆时序响应为研究对象,以四阶Runge-Kutta积分结果为真值标签,随机抽取80%时间点训练,20%时间点做同分布验证。实验结果显示:训练集相关系数达0.9988,峰值误差小于0.4%满量程,振幅匹配度100%,功率谱密度在0.007 Hz共振峰处与参考解重合;同分布离散验证集相关系数为0.9958,单点推理延迟仅0.524 ms。消融实验结果表明:去除傅里叶特征或硬振幅约束将引起模型性能严重退化;纯数据驱动配置在离散验证集上精度良好,但在连续时段重建中相关系数降至0.511,而完整方法保持0.986,表明弱物理约束对连续时序一致性具有稳定作用。时序外推实验提示,超出训练域后相关系数降至0.019,出现虚假低频漂移;且对于训练域内未参与训练的连续时段,模型同样失效( R≈0.029 )。本方法不适用于超出训练时间范围的外推预测,使用时须严格限定于训练域内的插值场景。此方法可为普通实验室环境下的扭摆系统提供训练分布内的高精度插值重建参考,并为开发因果性实时振动抑制算法提供参考。