Recovering Sharp Conductivity Features in the Finite-Data Calderón Problem with Physics-Informed Neural Networks

Resumen Técnico: Recuperación de Características de Conductividad Agudas en el Problema de Calderón con Datos Finitos mediante Redes Neuronales Informadas por la Física

Planteamiento del Problema
El artículo aborda el problema inverso de Calderón, un problema inverso paradigmático mal planteado en la tomografía de impedancia eléctrica (EIT). El objetivo es reconstruir la conductividad eléctrica espacialmente variable $\gamma(x)$ de un medio dentro de un dominio acotado $\Omega$ utilizando únicamente un conjunto finito de mediciones de frontera. Específicamente, el método utiliza un "mapa de Dirichlet-a-Neumann (DtN) reducido", que consiste en $K$ pares de potenciales de frontera ($f_k$) y corrientes inducidas ($J_k$). A diferencia de los problemas directos donde los parámetros son conocidos, este problema inverso es severamente inestable (estabilidad logarítmica), lo que significa que pequeñas perturbaciones en los datos de frontera pueden conducir a grandes errores en la reconstrucción, particularmente para discontinuidades agudas o inclusiones ubicadas profundamente en el dominio.

Metodología
Los autores proponen un marco de Redes Neuronales Informadas por la Física (PINN) diseñado para resolver el problema inverso completo sin requerir un conjunto de datos preentrenado de pares conductividad-medición. El enfoque involucra dos redes neuronales acopladas:

1. Red de Conductividad ($\gamma$-net): Una única red que genera el campo de conductividad $\gamma_{NN}(x, y)$, compartido a través de todas las condiciones de frontera.
2. Red de Potencial ($u$-net): Una red condicional que genera la familia de potenciales eléctricos $u_{NN}^k(x, y)$ para cada una de las $K$ excitaciones de frontera. Esta red toma como entrada las coordenadas espaciales y un índice codificado mediante one-hot $e_k$ que identifica la condición de frontera específica.

El objetivo de entrenamiento minimiza una función de pérdida compuesta por:

• Residuo de la PDE: La norma $L_2$ al cuadrado de la ecuación elíptica gobernante $\nabla \cdot (\gamma \nabla u) = 0$ evaluada en puntos de colocación interiores.
• Pérdida de Dirichlet: La discrepancia entre los potenciales de frontera predichos y los medidos.
• Pérdida de Neumann: La discrepancia entre las corrientes de frontera predichas y las medidas.

Innovaciones Técnicas Clave
El artículo introduce dos mejoras metodológicas específicas para abordar los desafíos de los datos finitos y las características agudas:

1. Excitaciones de Frontera de Wavelet Aleatorizadas: En lugar de utilizar patrones trigonométricos estándar o basados en electrodos, los autores generan condiciones de frontera mediante superposiciones de wavelets Ricker suavizadas. Estas se aleatorizan en posición, escala y amplitud para sondear el dominio en múltiples escalas espaciales y ubicaciones, con el fin de maximizar el contenido de información del conjunto de mediciones finito.
2. Codificación de Características de Fourier (FFE): Para contrarrestar el "sesgo espectral" de los Perceptrones Multicapa (MLP) estándar, que tienden a aprender primero los componentes de baja frecuencia y tienen dificultades con las transiciones agudas, los autores mapean las entradas de coordenadas en un espacio de mayor dimensión utilizando características de Fourier aleatorias. Este enriquecimiento permite que las redes representen variaciones espaciales de alta frecuencia y discontinuidades localizadas de manera más efectiva.

Resultados Experimentales
El método fue evaluado utilizando datos sintéticos generados mediante un resolvedor directo de diferencias finitas para varios perfiles de conductividad:

• Perfiles Agudos/de Inclusión: Para perfiles que contienen inclusiones, interfaces agudas y regiones de constante por partes, la FFE mejoró significamente la calidad de la reconstrucción. Las métricas como la Intersección sobre la Unión (IoU) y el Error Relativo Puntual (RE) mostraron ganancias sustanciales (por ejemplo, un aumento de la IoU de ~0.39 a ~0.80 para una sola inclusión) en comparación con las redes de coordenadas puras. Las redes con FFE capturaron mejor la geometría y la ubicación de las anomalías agudas.
• Perfiles Suaves: Para perfiles de conductividad suaves y dominados por bajas frecuencias (por ejemplo, distribuciones gaussianas), las redes de coordenadas puras se comportaron de manera competitiva o superior a las redes con FFE. En estos casos, el sesgo espectral estándar de los MLP se alineaba bien con la función objetivo, y la FFE a veces introducía una complejidad innecesaria.
• Perfiles Heterogéneos/Aleatorios: Para perfiles con componentes de frecuencia gaussianas aleatorias, la FFE proporcionó una mejor recuperación de las estructuras de escala fina y los detalles de alta frecuencia, aunque métricas globales como el SSIM a veces favorecieron las reconstrucciones más suaves de las redes de coordenadas puras.
• Análisis de Sensibilidad: El estudio confirmó la inestabilidad conocida del problema de Calderón en la región central del dominio. La calidad de la reconstrucción se degradó a medida que el tamaño de una inclusión central disminuía. Además, se identificó un número mínimo de pares de condiciones de frontera (aproximadamente $K \approx 30$) como un umbral por debajo del cual la calidad de la reconstrucción se deterioró significativamente.

Significancia y Reivindicaciones
Los autores afirman que su trabajo destaca la representación de coordenadas y el diseño de la excitación de frontera como factores críticos en la inversión de Calderón neuronal. La contribución principal es demostrar que, si bien las PINN son efectivas para problemas inversos, su rendimiento depende altamente de la naturaleza de la conductividad objetivo:

• La FFE no es universalmente óptima: Es una herramienta poderosa para recuperar características localizadas y agudas, pero ofrece poca o ningún beneficio (y puede ser ligeramente perjudicial) para campos suaves de baja frecuencia.
• El Diseño de la Frontera Importa: Las excitaciones de wavelet multiescala aleatorizadas proporcionan un mecanismo práctico para sondear el dominio de manera efectiva con datos limitados, superando a los patrones trigonométricos simples en pruebas empíricas.

El artículo concluye que la conductividad recuperada debe interpretarse como una reconstrucción consistente con las mediciones finitas disponibles y la regularización implícita de la parametrización neuronal. Los autores declaran explícitamente que el estudio se restringe a datos sintéticos y que el trabajo futuro debe abordar el ruido de las mediciones, los errores de modelado y los datos de frontera parciales antes de una aplicación práctica.