ParticleTensorAI® - 理论基础

ParticleTensorAI®基于这样一种理念：时间分辨光散射信号所包含的信息超出了单个被探测颗粒事件的特性。通过保留所记录信号的片段，并将其组织为多维数据结构，AI模型便能够分析跨时间以及（在条件具备时）跨探测器通道的模式。

1. 光散射产生随时间变化的信号

当液滴或颗粒穿过确定的光场时，会对光产生散射。随着颗粒在照明区域内移动，光学探测器记录到的强度随之变化，因此所得信号随时间而变化。

信号的形状和强度受颗粒与光场之间相互作用的影响。根据测量任务的不同，该信号可包含与颗粒或液滴特性、材料特性以及颗粒流动条件相关的信息。

当多个探测器从不同方向观测散射光时，会产生相互独立的信号流。这些信号流可为同一测量时段提供互补信息。

在基于事件的测量中，需要对信号进行检查以识别单个颗粒相互作用，随后系统可根据每个探测到的事件计算选定的参数。

ParticleTensorAI®采用不同的评估理念：可保留时间相关信号的一个片段用于分析，而无需事先将每个颗粒相互作用识别并分离为单个事件。这被称为无触发信号序列分析。

无触发分析并不意味着颗粒不会产生独立的物理相互作用，而是指AI评估可以直接作用于所记录的信号序列，无需以基于触发的事件分离步骤作为起点。

在进行AI分析之前，所记录的数据被组织为一种称为Particle Tensor的多维表示形式。该表示形式保留了信号序列中的选定信息，例如信号强度、时间结构以及探测器通道之间的关系。

张量结构取决于测量和分析任务。其维度和数据映射的定义方式，确保相关信号信息能够以一致的形式提供给所选的AI模型。因此，张量是测量数据的结构化表示；其本身并不是物理测量结果。

AI模型对Particle Tensor进行分析，以对某种状态进行分类或估算目标特性。模型在开发过程中学习张量模式与所提供参考信息之间的关系。

对于监督学习模型，训练数据与已知标签或参考值成对出现。训练完成的模型随后可对落在已验证测量范围内的新Particle Tensor进行评估。其输出的可靠性取决于训练数据的质量和覆盖范围、测量条件以及验证程序。

AI模型并不取代光学测量原理，而是评估由光散射产生的信号中的模式。物理测量决定了可以记录哪些信息；张量表示对这些信息进行组织；AI模型则将所记录的模式与选定的分析目标关联起来。

因此，输出结果必须结合具体的测量设置、材料、工艺条件、参考数据和验证结果来解读。不应自动假定为某一应用开发的模型能够为其他应用提供经过验证的结果。

一项已发表的研究考察了煤–单乙二醇浆料喷雾中液滴内部的煤颗粒。研究将探测器信号转换为Particle Tensor表示，并用于训练卷积神经网络，以对煤颗粒平均粒径和质量浓度进行分类。

该研究报告称，在所测试的条件下，验证实验中的预测准确率最高可达95%。这是该特定原理验证研究的结果，并非适用于所有ParticleTensorAI®应用的通用性能指标。