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

技術要約：高振動媒体における逆波散乱のためのマルチスケール・フーリエ・ニューラル・オペレーター

問題提起
本論文は、ヘルムホルツ方程式における逆媒体問題、特に高周波領域におけるフル・ウェーブフォーム・インバージョン（FWI）の課題に取り組んでいる。従来のFWIは、勾配ベースの最適化に依存しており、これには順方向の波動方程式の反復的な解法を必要とする。高周波領域では、短い波長を解像するために微細なメッシュ分割が必要となるため、計算コストが極めて高くなる。さらに、逆問題は不良設定（ill-posed）であり、標準的な数値ソルバーは「汚染効果（pollution effect）」に悩まされる。

ディープラーニングはデータ駆動型の代替案を提供するが、標準的なフーリエ・ニューラル・オペレーター（FNO）のような既存のオペレーター学習手法は、「スペクトル・バイアス」に苦しむ。これは、高周波の振動場を正確に表現することに困難が生じることを意味する。逆に、学習された事前知識（プライア）を利用する場合でも、繰り返しのPDEソルバーに依存する方法は依然として計算コストが高い。核心となる課題は、計算効率が高く、物理的に一貫しており、かつ、膨大なコストをかけずに微細なスケールの高周波構造を解像できるフレームワークを開発することである。

手法
著者らは、**マルチスケール・フーリエ・ニューラル・オペレーター（MscaleFNO）**を順方向の波動伝搬オペレーターの微分可能なサロゲート（代理モデル）として用い、**プラグ・アンド・プレイ（PnP）による明示的拡散モデル（EDM）**を結合した、新しいインバージョン・フレームワークを提案している。

1. サロゲート順モデルとしてのMscaleFNO:

   • 逆問題の計算中にヘルムホルツ方程式を数値的に解く代わりに、著者らは事前に学習されたMscaleFNOを用いて、媒体の摂動（$\alpha$）とソース項（$f$）から波動場（$u$）への写像を行う。
   • 標準的なFNOとは異なり、MscaleFNOは異なるスケールにおける複数のフーリエ・オペレーター・ブランチを利用する。各ブランチ $FNO_i$ は特定のスケーリング係数 $c_i$ で動作し、ネットワークが様々な周波数スペクトルの表現を同時に学習することを可能にする。
   • このアーキテクチャにより、高波数領域（$k \in [10, 60]$）における高度に振動的な波動場の正確な予測が可能となり、繰り返しのPDEソルバーを必要としない効率的な微分可能サロゲートとして機能する。

2. プラグ・アンド・プレイ拡散プライア:

   • 逆問題の不良設定性を解決するために、本フレームワークは学習済みのEDMを学習されたプライアとして組み込んでいる。
   • インバージョン・プロセスは、データ整合ステップ（MscaleFNOサロゲートを介して計算されたデータ誤差の勾配に基づき、Adam最適化を用いて媒体推定値 $\alpha$ を更新する）と、周期的なプライア補正ステップを交互に行う。
   • $T$ 回のイテレーションごとに、現在の推定値はEDMサンプラーによって精緻化され、物理的に妥当な媒体の学習済み多様体へとデノイジング（ノイズ除去）される。この「プラグ・アンド・プレイ」アプローチは、明示的な正則化関数や追加の順方向PDEソルバーを必要とせずに、構造的プライアを注入する。

3. 最適化フレームワーク:

   • インバージョンは、拡散プライアによって導かれるデータ忠実度項（予測された波動場と観測された波動場の不一致）を最小化するように定式化される。
   • プロセスはガウス型ランダム場から初期化され、反復的に更新される。EDMサンプラー内のノイズ・スケジュールはインバージョン中に動的に調整され、初期段階の強力なプライア補正から、後半段階の微細な精緻化へと移行する。

主な貢献

• 高波数問題に対する優れたサロゲート: 本論文は、MscaleFNOが標準的なFNOのスペクトル・バイアスを克服することを実証している。スケール適応型のスペクトル表現を活用することで、高波数ヘルムホルツ方程式に対して、より速い推論、改善された数値的安定性、および高い解像精度を実現している。
• 効率的な微分可能インバージョン: MscaleFNOを微分可能な順方向モデルとして組み込むことで、高価な繰り返しのPDEソルバーを効率的なニューラルネットワークの評価に置き換え、高周波FWIのための勾配ベースの最適化を可能にした。
• 拡散による堅牢な正則化: PnP-EDMプライアの統合は、再構成精度を大幅に向上させ、ノイズや限定的なアパーチャ（開口角）のデータに対する堅牢性を高める。これは、Tikhonov正則化のような従来の平滑化ベースの正則化が過度に平滑化してしまうような微細な振動詳細を保持しつつ、アーティファクトを効果的に抑制する。

数値結果

• 順方向精度: 順方向オペレーター学習タスクにおいて、MscaleFNOは波数 $k=10$ から $k=60$ にわたって安定した収束と低い相対 $L_2$ 誤差を維持した。対照的に、標準的なFNOの性能は $k$ の増加とともに著しく低下し、高周波成分を捉えることに失敗した。
• 逆再構成: 10%のノイズ条件下において、MscaleFNOベースのインバージョンは、全ての周波数においてFNOベースのインバージョンよりも大幅に低い再構成誤差を達成した。誤差は $k=10$ で0.956から $k=60$ で0.129へと減少しており、正しいサロゲートと組み合わせた際の高周波測定の利点を裏付けている。
• 限定的アパーチャとノイズ: 本手法は、変動するノイズレベル（最大20%）および限定的なアパーチャ構成（ソース/レシーバー角度 $45^\circ$ から $360^\circ$）に対して堅牢性を示した。結果は、限定的なアパーチャが誤差を増大させるものの、本手法が主要な振動構造を正常に回復できることを示しており、角度被覆が増加するにつれて性能が向上することが確認された。
• アブレーション研究:
  • スペクトル分析: MscaleFNOの各ブリーチのフーリエ・スペクトルは、明確な周波数パターンを明らかにし、大きなスケールがより豊かな構造化された高周波モードを捉えていることを示し、マルチスケール設計の妥当性を検証した。
  • FNOの限界: フーリエ・モードの数やネットワークの幅を増やしても、標準的なFNOの高周波における失敗は解消されなかった。これは、問題が単なるモデル容量ではなく、単一スケールの表現と最適化の不安定性に起因する固有の限界であることを示唆している。
  • 正則化の比較: 正則化なしのインバージョン（偽の振動を生成）やTikhonov正則化（特徴を過度に平滑化）と比較して、PnP-EDMアプローチは高周波の詳細を保持しながらアーティファクトを除去した。

意義と主張
本論文は、従来のソルバーをマルチスケール・ニューラル・オペレーター・サロゲートに置き換えることで、高周波FWIの計算上のボトルネックに対する解決策を提供すると主張している。このアプローチは、スペクトル・バイアスによって標準的なニューラル・オペレーターが失敗し、従来の手法が計算コストで失敗するような、高度に振動する媒体特性の正確かつ効率的で、適切に正則化された再構成を可能にする。拡散モデルの統合は、微細なスケールの特徴の解像度を犠牲にすることなく、不良設定な逆問題に対処するための統計的に原理に基づいた方法を提供する。本研究は、MscaleFNOを、複雑で振動的な環境における高解像度波動場イメージングのための重要な実現要素として位置づけている。