استشعار الفيزياء (Physics Sensing) هو عنصر أساسي في العديد من المجالات العلمية والهندسية، حيث يتطلب دوماً إجراء مهمتين مترابطتين: إعادة بناء الحقول الفيزيائية الكثيفة من ملاحظات متفرقة، وتحسين مواقع المستشعرات المبعثرة لرصد أقصى قدر من المعلومات. على الرغم من التقدم السريع الذي حققه التعلم العميق (Deep Learning) في إعادة بناء البيانات القليلة، فإن الطرق الحالية غالباً ما تتجاهل تحسين مواقع المستشعرات، مما يترك التعاون المثمر بين هاتين المهمتين غير مستغل.

لتغيير هذه الممارسة غير المثلى، نقدم PhySense، وهو إطار عمل ثنائي المرحلة يعمل بشكل متزامن على إعادة بناء الحقول الفيزيائية وتحسين مواقع المستشعرات بحيث يسعى كلاهما لتحقيق استشعار دقيق في الفيزياء. في المرحلة الأولى، نستفيد من نموذج مولد قائم على التدفق تم تعزيزه بتقنية الت attention العرضية (Cross-Attention) لدمج الملاحظات المتفرقة بشكل تكييفي. أما في المرحلة الثانية، فنقوم بتنفيذ تحسين مواقع المستشعرات من خلال استخدام تقنيات الانحدار المتجه المأخوذ بعين الاعتبار للقيود المكانية.

نقدم في هذه الدراسة إثباتات نظرية تؤكد أن أهداف التعلم في هاتين المرحلتين تتماشى مع مبادئ تقليل التباين الكلاسيكية، مما يوفر ضمانات نظرية للنجاح.

أظهرت التجارب المكثفة عبر ثلاثة معايير تحدي، بما في ذلك مجموعة بيانات هندسية ثلاثية الأبعاد، أن PhySense يحقق دقة استشعار فيزيائية من الطراز الأول ويكتشف مواقع مستشعرات معلوماتية لم تكن موضع اهتمام سابقاً.

يمكنكم الاطلاع على الكود المتاح في هذا المستودع: PhySense [GitHub Repository].