PROTON：将物理信息神经网络与边缘计算结合的辐射监测框架

PROTON是一个分布式科学机器学习框架，整合物理信息神经网络（PINN）、随机量子扩散建模和时空傅里叶神经算子（FNO），在ESP32边缘传感器网络上实现实时辐射监测与空间映射。项目旨在解决传统辐射检测设备孤立、数据延迟的问题，通过模块化设计和边缘计算与中心处理的协同，提供高效的辐射监测解决方案。

辐射监测在核安全、环境监测和工业应用中至关重要。传统设备多为孤立单点测量工具，数据收集与分析存在明显时间延迟。PROTON项目目标是构建从桌面传感器到分布式空间映射的完整流水线，以笔记本为计算中心实现实时监测与智能分析。硬件选择FNIRSI GC-01辐射检测仪并刷入Rad Pro固件，体现对开源生态的整合与可扩展性重视。

PROTON采用模块化设计，包含：1.硬件接口层：通过radpro_serial.py封装Rad Pro通信协议（请求-响应模式，需主动轮询）；2.物理信息神经网络（PINN）：嵌入辐射传播衰减规律等物理约束，提升模型泛化与物理一致性；3.随机量子扩散建模：模拟脉冲到达时间随机分布，基于泊松统计特性支持异常检测与剂量估算；4.时空傅里叶神经算子（FNO）：扩展到时空维度，高效建模偏微分方程解算子，为实时空间映射提供基础。

PROTON遵循分层设计：数据采集层（ESP32边缘节点负责本地检测与预处理）、通信层（USB串口实现与中心单元数据交换）、计算层（笔记本运行PINN、扩散模型、FNO等复杂算法）、应用层（实时监测、空间映射、异常告警）。该架构合理分配资源，利用边缘节点高频采集，中心处理复杂任务。

项目面临三大挑战：1.时间戳精度限制：Rad Pro无单个脉冲时间戳，通过高频轮询累积计数+软件插值/统计建模恢复时间信息；2.物理一致性与数据驱动融合：用PINN将辐射物理规律编码为软约束，确保模型预测符合物理直觉；3.分布式同步问题：ESP32网格时间同步与数据一致性挑战，通过FNO时空建模处理不规则采样数据，生成连续辐射场估计。

PROTON的应用场景包括：核设施监测（实时水平监测与空间剂量分布图）、环境辐射调查（快速绘制区域背景地图）、应急响应（核事故实时空间辐射信息）、科学研究（提供高精度时空数据集）。

PROTON是科学机器学习与边缘计算融合的前沿探索，整合PINN、生成式建模、FNO等技术，将复杂物理建模部署到资源受限边缘设备网络。模块化设计降低入门门槛，未来有望加入多传感器融合、实时3D辐射场可视化等功能，对相关领域开发者具有学习价值。