Multiscale Fourier Neural Operator for Inverse Wave Scattering in Highly Oscillatory Media

Resumen Técnico: Operador de Red Neuronal de Fourier Multiescala para la Dispersión de Ondas Inversa en Medios Altamente Oscilatorios

Planteamiento del Problema
El artículo aborda el desafío de resolver problemas de medios inversos para la ecuación de Helmholtz, específicamente la Inversión de Forma de Onda Completa (FWI, por sus siglas en inglés), en regímenes altamente oscilatorios (alta frecuencia). La FWI tradicional depende de la optimización basada en gradientes que requiere la resolución repetida de la ecuación de onda hacia adelante. En regímenes de alta frecuencia, esto resulta computacionalmente prohibitivo debido a la necesidad de discretizaciones de malla finas para resolver longitudes de onda cortas. Además, el problema inverso es mal planteado (ill-posed), y los resolvedores numéricos estándar sufren el "efecto de contaminación" (pollution effect).

Si bien el aprendizaje profundo ofrece alternativas basadas en datos, los métodos de aprendizaje de operadores existentes, como el Operador de Red Neuronal de Fourier (FNO) estándar, sufren de "sesgo espectral", lo que significa que tienen dificultades para representar con precisión los campos de ondas altamente oscilatorios de alta frecuencia. Por el contrario, los métodos que dependen de la resolución repetida de EDP (ecuaciones diferenciales parciales), incluso con prioris aprendidos, siguen siendo computacionalmente costosos. El desafío central es desarrollar un marco que sea simultáneamente eficiente desde el punto de vista computacional, físicamente consistente y capaz de resolver estructuras de escala fina y alta frecuencia sin el costo prohibitivo de los resolvedores tradicionales.

Metodología
Los autores proponen un novedoso marco de inversión que integra un Operador de Red Neuronal de Fourier Multiescala (MscaleFNO) como un sustituto diferenciable del operador de propagación de ondas hacia adelante, acoplado con un Modelo de Difusión Elucidado Plug-and-Play (EDM) para la regularización.

1. MscaleFNO como Modelo de Propagación hacia Adelante Sustituto:

   • En lugar de resolver la ecuación de Helmholtz numéricamente durante la inversión, los autores emplean un MscaleFNO preentrenado para mapear las perturbaciones del medio ($\alpha$) y los términos de fuente ($f$) hacia los campos de ondas ($u$).
   • A diferencia de los FNO estándar, que truncan los modos de alta frecuencia y exhiben sesgo espectral, el MscaleFNO utiliza múltiples ramas de operadores de Fourier en diferentes escalas. Cada rama $FNO_i$ opera con un factor de escala específico $c_i$, lo que permite que la red aprenda representaciones a través de un espectro de frecuencias simultáneamente.
   • Esta arquitectura permite la predicción precisa de campos de ondas altamente oscilatorios en regímenes de alto número de onda ($k \in [10, 60]$), sirviendo como un sustituto eficiente y diferenciable que elimina la necesidad de resolver la EDP repetidamente.

2. Prior de Difusión Plug-and-Play:

   • Para abordar el carácter mal planteado del problema inverso, el marco incorpora un EDM preentrenado como un prior aprendido.
   • El proceso de inversión alterna entre pasos de consistencia de datos (actualización de la estimación del medio $\alpha$ usando la optimización de Adam basada en el gradiente del error de los datos computado vía el sustituto MscaleFNO) y pasos periódicos de corrección de prior.
     implementando un paso de corrección de prior cada $T$ iteraciones, la estimación actual es refinada por el muestreador EDM, el cual elimina el ruido de la reconstrucción hacia el manifold aprendido de medios físicamente plausibles. Este enfoque "plug-and-play" inyecta priors estructurales sin requerir funcionales de regularización explícitos o soluciones adicionales de la EDP hacia adelante.

3. Marco de Optimización:

   • La inversión se formula como la minimización de un término de fidelidad de datos (desajuste entre los campos de onda predichos y observados) guiado por el prior de difusión.
   • El proceso se inicializa con un campo aleatorio Gaussiano y se actualiza iterativamente. El esquema de ruido en el muestreador EDM se ajusta dinámicamente durante la inversión, pasando de una fuerte corrección de prior en las iteraciones tempranas a un refinamiento de escala fina en las etapas posteriores.

Contribuciones Clave

• Sustituto Superior para Problemas de Alto Número de Onda: El artículo demuestra que el MscaleFNO supera el sesgo espectral de los FNO estándar. Logra una inferencia más rápida, una estabilidad numérica mejorada y una mayor precisión de la solución para ecuaciones de Helmholtz de alto número de onda mediante el aprovechamiento de representaciones espectrales adaptativas de escala.
• Inversión Diferenciable Eficiente: Al incrustar el MscaleFNO como un modelo hacia adelante diferenciable, el marco reemplaza las costosas resoluciones repetidas de la EDP por evaluaciones eficientes de redes neuronales, permitiendo la optimización basada en gradientes para la FWI de alta frecuencia.
• Regularización Robusta mediante Difusión: La integración del prior PnP-EDM mejora significamente la precisión de la reconstrucción y la robustez ante el ruido y los datos de apertura limitada. Efectivamente suprime artefactos mientras preserva los detalles oscilatorios de escala fina que los regularizadores tradicionales basados en suavidad (como Tikhonov) tienden a sobre-suavizar.

Resultados Numéricos

• Precisión del Modelo hacia Adelante: En tareas de aprendizaje de operador hacia adelante, el MscaleFNO mantuvo una convergencia estable y bajos errores relativos de $L_2$ a través de números de onda $k=10$ a $k=60$. En contraste, el rendimiento del FNO estándar se degradó significativamente a medida que $k$ aumentaba, fallando en capturar los componentes de alta frecuencia.
• Reconstrucción Inversa: Bajo un ruido del 10%, la inversión basada en MscaleFNO logró errores de reconstrucción sustancialmente menores que la inversión basada en FNO en todas las frecuencias probadas. El error disminuyó de 0.956 en $k=10$ a 0.129 en $k=60$, confirmando el beneficio de las mediciones de alta frecuencia cuando se combinan con el sustituto correcto.
• Apertura Limitada y Ruido: El método demostró robustez bajo niveles de ruido variables (hasta el 20%) y configuraciones de apertura limitada (ángulos de fuente/receptor de $45^\circ$ a $360^\circ$). Los resultados mostraron que, si bien las aperturas limitadas aumentan el error, el método recupera con éxito las estructuras oscilatorias principales, con un rendimiento que mejora a medida que aumenta la cobertura angular.
• Estudios de Ablación:
  • Análisis Espectral: Los espectros de Fourier de las ramas del MscaleFNO revelaron patrones de frecuencia distintos, con escalas mayores capturando modos de alta frecuencia más ricos y estructurados, validando el diseño multiescala.
  • Limitaciones del FNO: Aumentar el número de modos de Fourier y el ancho de la red en el FNO estándar no resolvió su fallo en altas frecuencias, sugiriendo que la limitación es intrínseca a su representación de escala única y a la inestabilidad de la optimización, no solo a la capacidad del modelo.
  • Comparación de Regularización: Comparado con la inversión no regularizada (que producía oscilaciones espurias) y la regularización de Tikhonov (que sobre-suavizaba las características), el enfoque PnP-EDM preservó los detalles de alta frecuencia mientras eliminaba los artefactos.

Significancia y Reivindicaciones
El artículo afirma proporcionar una solución al cuello de botella computacional de la FWI de alta frecuencia al reemplazar los resolvedores tradicionales con un sustituto de operador neuronal multiescala. Sostiene que este enfoque permite una reconstrucción precisa, eficiente y bien regularizada de propiedades de medios altamente oscilatorios, una tarea donde los operadores neuronales estándar fallan debido al sesgo espectral y los métodos tradicionales fallan debido al costo computacional. La integración de modelos de difusión ofrece una forma estadísticamente fundamentada de manejar la naturaleza mal planteada del problema inverso sin sacrificar la resolución de los detalles de escala fina. El trabajo posiciona al MscaleFNO como un habilitador crítico para el mapeo de imágenes de ondas de alta resolución en entornos complejos y oscilatorios.