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

Sintesi Tecnica: Recupero di Caratteristiche di Conducibilità Nitide nel Problema di Calderón con Dati Finiti tramite Reti Neurali Informate dalla Fisica

Definizione del Problema
Il documento affronta il problema inverso di Calderón, un problema inverso mal posto paradigmatico nella tomografia a impedenza elettrica (EIT). L'obiettivo è ricostruire la conducibilità elettrica $\gamma(x)$ spazialmente variabile di un mezzo all'interno di un dominio limitato $\Omega$ utilizzando solo un insieme finito di misurazioni al contorno. Nello specifico, il metodo utilizza una "mappa di Dirichlet-to-Neumann (DtN) ridotta", composta da $K$ coppie di potenziali di confine ($f_k$) e correnti indotte ($J_k$). A differenza dei problemi diretti in cui i parametri sono noti, questo problema inverso è estremamente instabile (stabilità logaritmica), il che significa che piccole perturbazioni nei dati di confine possono portare a grandi errori nella ricostruzione, in particolare per discontinuità nitide o inclusioni situate in profondità all'interno del dominio.

Metodologia
Gli autori propongono un framework basato su Reti Neurali Informate dalla Fisica (PINN) progettato per risolvere il problema inverso completo senza richiedere un dataset pre-addestrato di coppie conducibilità-misurazione. L'approccio prevede due reti neurali accoppiate:

1. Rete di Conducibilità ($\gamma$-net): Una singola rete che restituisce il campo di conducibilità $\gamma_{NN}(x, y)$, condiviso tra tutte le condizioni al contorno.
2. Rete di Potenziale ($u$-net): Una rete condizionale che restituisce la famiglia di potenziali elettrici $u_{NN}^k(x, y)$ per ciascuna delle $K$ eccitazioni al contorno. Questa rete riceve in input le coordinate spaziali e un indice one-hot $e_k$ che identifica la specifica condizione al contorno.

L'obiettivo di addestramento minimizza una funzione di perdita composita che comprende:

• Residuo della PDE: La norma $L_2$ al quadrato dell'equazione ellittica governante $\nabla \cdot (\gamma \nabla u) = 0$ valutata nei punti di collocazione interni.
• Perdita di Dirichlet: La discrepanza tra i potenziali di confine predetti e quelli misurati.
• Perdita di Neumann: La discrepanza tra le correnti di confine predette e quelle misurate.

Innovazioni Tecniche Chiave
Il documento introduce due specifiche migliorie metodologiche per affrontare le sfide dei dati finiti e delle caratteristiche nitide:

1. Eccitazioni al Contorno con Wavelet Randomizzate: Invece di utilizzare schemi trigonometrici o basati su elettrodi standard, gli autori generano le condizioni al contorno tramite sovrapposizioni di wavelet Ricker smorzate. Queste sono randomizzate in posizione, scala e ampiezza per sondare il dominio a molteplici scale spaziali e posizioni, con l'obiettivo di massimizzare il contenuto informativo del set di misurazioni finito.
2. Codifica di Caratteristiche Fourier (FFE): Per contrastare il "bias spettrale" dei classici Percettroni Multistrato (MLP), che tendono a apprendere prima le componenti a bassa frequenza e faticano con le transizioni nitide, l'approccio mappa le coordinate di input in uno spazio a dimensione superiore utilizzando caratteristiche Fourier casuali. Questo arricchimento permette alle reti di rappresentare più efficacemente le variazioni spaziali ad alta frequenza e le discontinuità localizzate.

Risultati Sperimentali
Il metodo è stato valutato su dati sintetici generati tramite un risolutore diretto a differenze finite per vari profili di conducibilità:

• Profili Nitidi/con Inclusioni: Per profili contenenti inclusioni, interfacce nitide e regioni a costante a tratti, la FFE ha migliorato significativamente la qualità della ricostruzione. Le metriche come l'Intersection over Union (IoU) e l'Errore Relativo Puntuale (RE) hanno mostrato guadagni sostanziali (ad esempio, l'IoU è aumentato da ~0,39 a ~0,80 per una singola inclusione) rispetto alle reti a coordinate grezze. Le reti FFE hanno catturato meglio la geometria e la posizione delle anomalie nitide.
• Profili Lisci: Per profili di conducibilità lisci e dominati da basse frequenze (ad esempio, distribuzioni gaussiane), le reti a coordinate grezze si sono dimostrate competitive o superiori alle reti FFE. In questi casi, il bias spettrale standard degli MLP si allineava bene con la funzione target e la FFE talvolta introduceva una complessità non necessaria.
• Profili Eterogenei/Randomici: Per profili con componenti di frequenza gaussiane casuali, la FFE ha fornito una migliore ricostruzione delle strutture su piccola scala e dei dettagli ad alta frequenza, sebbene metriche globali come l'SSIM abbiano talvolta favorito le ricostruzioni più lisce delle coordinate grezze.
• Analisi di Sensibilità: Lo studio ha confermato la nota instabilità del problema di Calderón nella regione centrale del dominio. La qualità della ricostruzione è degradata al diminuire delle dimensioni di un'inclusione centrale. Inoltre, è stata identificata un numero minimo di coppie di condizioni al contorno (circa $K \approx 30$) al di sotto del quale la qualità della ricostruzione è deteriorata significativamente.

Significatività e Rivendicazioni
Gli autori sostengono che il loro lavoro evidenzia la rappresentazione delle coordinate e il design delle eccitazioni al contorno come fattori critici nell'inversione di Calderón neurale. Il contributo primario è la dimostrazione del fatto che, sebbene le PINN siano efficaci per i problemi inversi, le loro prestazioni dipendono fortemente dalla natura del target di conducibilità:

• La FFE non è universalmente ottimale: È uno strumento potente per il recupero di caratteristiche nitide e localizzate, ma offre poco o nessun vantaggio (e può essere leggermente deleteria) per campi lisci a bassa frequenza.
• Il Design del Contorno è Fondamentale: Le eccitazioni wavelet multiscala randomizzate forniscono un meccanismo pratico per sondare efficacemente il dominio con dati limitati, superando empiricamente i semplici schemi trigonometrici.

Il documento conclude che la conducibilità ricostruita deve essere interpretata come una ricostruzione coerente con le misurazioni finite disponibili e con la regolarizzazione implicita della parametrizzazione neurale. Gli autori dichiarano esplicitamente che lo studio è limitato a dati sintetici e che il lavoro futuro dovrà affrontare il rumore delle misurazioni, gli errori di modellazione e i dati di confine parziali prima di un'applicazione pratica.