ParticleTensorAI® - 基于AI的张量分析

ParticleTensorAI®利用人工智能（AI）分析时间分辨光散射信号的多维表示。Particle Tensor负责组织测量数据；AI模型学习这些数据中的模式，并将其与预先定义的分类或估算任务相关联。

从Particle Tensor到模型输出

AI模型以Particle Tensor作为输入。在开发过程中，向模型提供测量数据及相应的参考信息。模型学习张量中的模式与对应参考标签或参考值之间的统计关系。

经过训练和验证后，模型即可分析新的Particle Tensor，并输出针对该测量任务定义的结果。视模型而定，输出可以是分类结果（例如将某次测量归入已知状态），也可以是目标特性的估算值。

在监督学习中，每个训练样本都配有参考信息。这些信息告诉模型该Particle Tensor代表什么，例如已知的材料状态或参考测量结果。

训练过程中，模型不断调整其内部参数，以缩小预测结果与参考信息之间的差异。随后，使用未参与模型训练的数据来评估所学到的关系。

一项已发表的ParticleTensorAI®研究采用卷积神经网络（CNN）分析基于图像的Particle Tensor表示。在该研究中，探测器信号被映射到RGB图像通道。针对煤-单乙二醇浆料喷雾，张量以煤颗粒平均粒径和质量浓度作为标签。

这些CNN针对分类任务进行训练。验证实验表明，在该研究所考察的条件下，预测准确率最高可达95%。这是该特定研究应用的结果，并不代表适用于其他材料、测量装置或模型的通用准确度指标。

AI模型不能替代光学测量，也无法生成记录信号中本不存在的信息。它分析测量数据中的模式，并将其与开发过程中使用的参考信息相关联。

张量格式、探测器信号、参考标签和模型架构共同决定了模型能够学习的内容。针对某一组条件训练的分类模型，在未经适当测试的情况下，不应被认为能为其他任务提供经过验证的结果。

验证用于评估训练好的模型在与训练过程分开保留的数据上的表现。验证数据应能代表预期应用中相关的材料和测量条件。

在ParticleTensorAI®中，AI分析在创建Particle Tensor之后进行。张量组织时间分辨的信号信息，而训练好的模型识别张量模式与参考数据之间的关系。所得输出仅在模型开发和验证所针对的任务和条件范围内具有意义。