PiCSRL: Physikbasierte Verstärkungslernen optimiert adaptive Sensortechniken

In einer Zeit, in der hochdimensionale, aber stark unterrepräsentierte Datensätze die Entwicklung zuverlässiger Umweltmodelle erschweren, präsentiert PiCSRL – ein neuartiges Verfahren, das physikbasierte Kontextinformationen in die Zustandsdarstellung von Reinforcement‑Learning‑Algorithmen integriert. Durch die gezielte Einbettung von Domänenwissen in die RL‑State‑Representation wird die adaptive Sensortechnik deutlich effizienter gestaltet.

Der Kern von PiCSRL ist ein Unsicherheits‑bewusstes Glaubensmodell, das physikbasierte Features nutzt, um Vorhersagen zu verbessern. Anstelle von reinen Spektralbändern werden gezielt ausgewählte physikalische Merkmale als Eingabe für das RL‑Modell verwendet, wodurch die Lernrate erhöht und die Notwendigkeit für umfangreiche gelabelte Daten reduziert wird.

Als Testfall wurde die adaptive Messung der Konzentration cyanobakterieller Gene anhand von NASA PACE‑Hyperspektralbildern des Lake Erie untersucht. PiCSRL erzielte einen RMSE von 0.153 und eine Erkennungsrate von 98,4 % für Algenblüten – deutlich besser als die Random‑Strategie (RMSE 0,296) und die UCB‑Strategie (RMSE 0,178). Ablationsstudien zeigten, dass physikbasierte Features die Test‑Generalisation um 0,11 Punkte steigern und einen R²‑Wert von 0,52 erreichen. Darüber hinaus demonstrierte ein Skalierungstest, dass PiCSRL bei 50 Messstationen und über 2 Millionen möglichen Kombinationen signifikante Verbesserungen gegenüber Baselines erzielt (p = 0,002).

Diese Ergebnisse unterstreichen, dass PiCSRL ein ressourcenschonendes, adaptives Sensormodell für die Erdbeobachtung darstellt, das die Zuverlässigkeit von Beobachtungs‑zu‑Ziel‑Mappings in verschiedensten Anwendungsbereichen nachhaltig steigert.