物理封闭对机器嗅觉至关重要：用于可识别动态气体分解的麦克斯韦-斯蒂芬图求解器

机器嗅觉的目标是从传感器响应中推断气体成分，这是一个高度欠约束的逆问题。传感器信号受化学传输、表面吸附和传感器转换等多物理过程影响，导致响应低维、延迟且纠缠。传统神经网络往往被训练来拟合传感器迹线，而非推断物理封闭的嗅觉过程，这种“物理封闭性错配”是主要障碍。

针对此问题，来自研究团队的最新工作将气体分解形式化为多物理场约束的逆问题，控制方程包括麦克斯韦-斯蒂芬多组分传输偏微分方程（PDE）、竞争吸附常微分方程（ODE）和非线性传感器转换ODE。直接求解高维耦合系统计算成本高且数值不稳定，为此他们提出了UnMixNet——一个物理封闭的图神经网络求解器。

UnMixNet的核心创新在于将麦克斯韦-斯蒂芬交叉扩散离散化到空间图上，并在每条边上制定多组分通量。这使得模型能够进行局部、可微且通量守恒的推理，有效处理多组分交叉扩散。在SmellNet数据集上的评估显示，UnMixNet在单气味识别、已知混合物分解以及未见混合物泛化方面均优于现有方法。

进一步的外部验证在UCI动态气体混合物数据集上进行：模型推断的浓度过程与动态变化下的地面实况浓度设定点高度一致。过程一致性诊断表明，UnMixNet学习到了可转移的动态物理指纹，更好地满足了传输、守恒、吸附和读出封闭性。这项工作为机器嗅觉提供了坚实的物理基础，有望推动电子鼻在实际环境中的应用。