Survey of Deep Learning and Physics-Based Approaches in Computational Wave Imaging

1. 問題定義 (Problem)

計算波動イメージング（CWI）は、地震探査（地球の地下構造）、非破壊検査（材料科学）、医用超音波トモグラフィ（医療）など、多岐にわたる分野で応用されています。しかし、CWI には以下のような根本的な課題が存在します。

• 不適切性（Ill-posedness）: 2 次元表面での測定データから 3 次元体積内の特性を推定するため、データが不足しており、解が一意に定まらない問題が発生します。
• 非凸性と局所解: 波動伝播の物理モデルは非線形で非凸であるため、最適化アルゴリズムが局所解に収束しやすく、真の解から外れるリスクがあります。
• 計算コスト: 物理ベースの反復解法（例：フル波形逆解析 FWI）は、前方モデルの反復計算が必要であり、計算量が膨大です。
• サイクルスキップ（Cycle-skipping）: 観測波形とモデル波形の位相が半周期以上ずれると、最適化が破綻する現象です。
• ラベルデータの不足: 深層学習を適用するには大量の正解ラベル（真の速度モデルなど）が必要ですが、実測データではこれを得ることが困難または高コストです。

2. 手法と分類 (Methodology)

著者は、CWI 問題に対する機械学習（ML）アプローチを、**「監督戦略（Supervision Strategy）」と「学習戦略（Learning Strategy）」**の 2 つの軸で体系的に分類し、200 以上の論文を分析しました。

A. 監督戦略による分類

1. 完全教師あり学習 (Fully Supervised):
   • 波形データと物理パラメータ（速度モデル等）のペアを用いてニューラルネットワークを訓練。
   • 例: InversionNet。推論は高速だが、訓練データ分布からの乖離（ドメインシフト）に弱く、一般化能力に限界がある。
2. 半教師あり学習 (Semi-Supervised):
   • 少量のラベル付きデータと大量のラベルなしデータ（観測波形）を併用。
   • 例: 擬似ラベル生成（Pseudo-labeling）や適応的データ拡張。観測データに近い合成データを生成し、モデルを反復的に改善する。
3. 自己教師あり学習 (Self-Supervised):
   • 明示的なラベルなしで、データ内部の構造（例：低周波成分の補完、サイクル整合性）から学習信号を生成。
   • 例: CycleGAN を用いた低周波波形の拡張。FWI の初期値依存性を軽減する。
4. 教師なし/ラベルなし学習 (Unsupervised/Unlabeled):
   • 物理方程式（波動方程式）を制約条件として直接損失関数に組み込み、観測データとの不一致を最小化。
   • 例: UPFWI（Unsupervised Physics-Informed FWI）、SiameseFWI。ラベルを必要とせず、物理法則に従って解を探索する。

B. 学習戦略による分類（物理の統合方法）

1. シミュレーション/測定駆動型 (Simulations/Measurements-Driven):
   • 物理シミュレーションで生成した大量のデータで学習。物理法則はデータを通じて暗黙的に学習される。
2. 物理認識型 (Physics-Aware):
   • 損失関数やネットワーク構造に物理方程式（例：波動方程式の残差）を明示的に組み込む。
   • 例: PINN（Physics-Informed Neural Networks）。メッシュ不要で物理制約を満たす解を学習。
3. パラメータ化解法 (Parameterized Solutions):
   • 速度モデルそのものをニューラルネットワークのパラメータとして表現し、最適化する。
   • 例: Deep Image Prior。ネットワーク構造自体が正則化項として機能し、解空間を物理的に妥当な範囲に制限する。
4. プラグ・アンド・プレイ・プライア (Plug-and-Play Priors, PPP):
   • 物理ベースの反復解法（ADMM など）と、事前学習された画像復元ネットワーク（デノイザー）を組み合わせる。
   • 物理整合性とデータ駆動の正則化をモジュール化して分離し、柔軟に統合する。

3. 主要な貢献と知見 (Key Contributions)

• 体系的な分類枠組みの提示: CWI における ML 手法を、監督の有無と物理の統合方法の 2 次元で整理し、各手法の長所・短所を明確化しました。
• ハイブリッドアプローチの重要性の強調: 純粋なデータ駆動型と純粋な物理ベース型の両極端ではなく、物理法則を ML モデルに統合する「物理情報付き（Physics-Informed）」または「ハイブリッド」手法が、一般化性能、ロバスト性、データ効率の面で優れていることを示しました。
• 不確実性定量化（UQ）と生成 AI の導入:
  • UQ: ベイズ推論や Quantile Regression を用いて、推定結果の信頼度を可視化し、ノイズや不適切性に対するリスクを評価する手法を紹介。
  • Generative AI: 拡散モデル（Diffusion Models）や GAN を用いて、事前分布を学習し、逆問題の不適切性を緩和したり、合成データを生成して訓練セットを拡張したりする最新動向を解説。
• 実アプリケーションでの検証:
  • 地震 FWI: カーボン貯留層の漏洩検出において、半教師あり学習が物理ベース FWI よりも小規模な漏洩を高精度に検出できることを示しました。
  • 非破壊検査: 多層構造の欠陥検出や、高爆発物（HE）の非侵襲的温度イメージングにおいて、ML 手法の有効性を実証。
  • 医用 USCT: 乳がん検診において、タスク特化型の損失関数を用いた学習手法が、従来の物理ベース法よりも腫瘍の検出・局在精度を向上させることを示しました。

4. 結果と評価 (Results)

• 性能向上: 物理ベースの手法と比較して、ML 手法（特にハイブリッド型）は、推論速度が桁違いに速く、ノイズに対するロバスト性が高い場合が多いことが確認されました。
• 課題の克服: 低周波成分の欠如によるサイクルスキップ問題に対し、自己教師あり学習による低周波補完や、物理制約を組み込んだ損失関数が有効であることが示されました。
• 計算コストのトレードオフ:
  • 訓練 vs 推論: ML 手法は訓練に多大なコストがかかるが、一度訓練すれば推論は極めて高速です。一方、物理ベース手法は推論ごとに反復計算が必要で高コストです。
  • メモリ: 大規模な 3D 問題では、ML 手法のメモリ使用量も課題となりますが、物理ベースの反復解法に比べれば効率的な場合もあります。

5. 意義と将来展望 (Significance and Outlook)

• 科学発見への寄与: CWI における ML の応用は、単なる問題解決ツールを超え、新しい物理的洞察（例：データとラベルの間の線形性の発見）をもたらす可能性があります。
• 一般化の課題: 現在の最大の課題は、合成データで訓練されたモデルが、実世界の複雑なノイズや物理条件（ドメインシフト）に対して一般化できないことです。これを克服するためには、高忠実度の物理シミュレーターと ML の緊密な統合、および半教師あり/自己教師あり学習による実測データの活用が不可欠です。
• 解釈可能性と品質評価: 「ブラックボックス」化しがちな深層学習の解釈可能性（Interpretability）の向上と、画像の画質指標（MSE など）ではなく、実際のタスク（がん検出、欠陥発見など）の性能を評価する指標の確立が今後の重要課題として指摘されています。

結論:
この論文は、計算波動イメージングの分野において、深層学習が物理ベースの手法を代替するのではなく、物理法則と融合することで、より高速、高精度、かつロバストなイメージングを実現する可能性を強く示唆しています。今後は、物理情報付きニューラルネットワーク、生成 AI、不確実性定量化を統合した次世代の解法が、地震探査、医療、産業検査の現場で標準的なツールとして定着することが期待されます。