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

Technische Samenvatting: Multiscale Fourier Neural Operator voor Inverse Wave Scattering in Hoog-Oscillatoire Media

Probleemstelling
Het artikel behandelt de uitdaging van het oplossen van inverse mediaproblemen voor de Helmholtz-vergelijking, specifiek Full Waveform Inversion (FWI), in hoog-oscillatoire (hoogfrequente) regimes. Traditionele FWI vertrouwt op gradiëntgebaseerde optimalisatie die herhaalde oplossingen van de voorwaartse golfvergelijking vereist. In hoogfrequente regimes wordt dit computationeel onhaalbaar vanwege de noodzaak van fijne roosterdiscretisaties om korte golflengten te resolveren. Bovendien is het inverse probleem slecht gesteld (ill-posed), en lijden standaard numerieke solvers onder het "pollutie-effect".

Hoewel deep learning data-gedreven alternatieven biedt, lijden bestaande operator learning-methoden zoals de standaard Fourier Neural Operator (FNO) aan "spectrale bias", wat betekent dat ze moeite hebben met het nauwkeurig representeren van hoogfrequente oscillerende golfvelden. Omgekeerd blijven methoden die vertrouwen op herhaalde PDE-oplossingen (zelfs met geleerde priors) computationeel duur. De kernuitdaging is het ontwikkelen van een framework dat tegelijkertijd computationeel efficiënt, fysisch consistent en in staat is om fijnmazige, hoogfrequente structuren te resolveren zonder de prohibitieve kosten van traditionele solvers.

Methodologie
De auteurs stellen een nieuw inversieframework voor dat een Multiscale Fourier Neural Operator (MscaleFNO) integreert als een differentieerbare surrogaat voor de voorwaartse golfvoortplantingsoperator, gekoppeld aan een Plug-and-Play (PnP) Elucidated Diffusion Model (EDM) voor regularisatie.

1. MscaleFNO als Surrogaat Voorwaarts Model:

   • In plaats van de Helmholtz-vergelijking numeriek op te lossen tijdens de inversie, gebruiken de auteurs een getrainde MscaleFNO om mediumperturbaties ($\alpha$) en brontermen ($f$) in kaart te brengen naar golfvelden ($u$).
   • In tegenstelling tot standaard FNO's, die hoogfrequente modi afkappen en spectrale bias vertonen, maakt MscaleFNO gebruik van meerdere Fourier-operatorvertakkingen op verschillende schalen. Elke vertakking $FNO_i$ opereert met een specifieke schalfactor $c_i$, waardoor het netwerk in staat is om representaties over een spectrum van frequenties simultaan te leren.
   • Deze architectuur stelt nauwkeurige voorspelling van hoog-oscillerende golfvelden in hoog-getal (high-wavenumber) regimes ($k \in [10, 60]$) in staat, wat dient als een efficiënte, differentieerbare surrogaat die de noodzaak voor herhaalde PDE-oplossingen elimineert.

2. Plug-and-Play Diffusion Prior:

   • Om de slecht gestelde aard van het inverse probleem aan te pakken, incorporeert het framework een getrainde EDM als een geleerde prior.
   • Het inversieproces wisselt af tussen data-consistentiestappen (het updaten van de mediumschatting $\alpha$ met behulp van Adam-optimalisatie op basis van de gradiënt van de data-mismatch berekend via de MscaleFNO-surrogaat) en periodieke prior-correctiestappen.
   • Elke $T$ iteraties wordt de huidige schatting verfijnd door de EDM-sampler, die de reconstructie denoist richting de geleerde manifold van fysisch plausibele media. Deze "plug-and-play" aanpak injecteert structurele priors zonder dat er expliciete regularisatiefuncties of extra voorwaartse PDE-oplossingen nodig zijn.

3. Optimalisatieframework:

   • De inversie wordt geformuleerd als het minimaliseren van een data-getrouwheidsterm (mismatch tussen voorspelde en geobserveerde golfvelden) geleid door de diffusieprior.
   • Het proces wordt geïnitialiseerd met een Gaussisch willekeurig veld en wordt iteratief bijgewerkt. De ruisschema van de EDM-sampler wordt tijdens de inversie dynamisch aangepast, waarbij verschoven wordt van sterke prior-correctie in de vroege iteraties naar fijne schaalverfijning in latere stadia.

Belangrijkste Bijdragen

• Superieure Surrogaat voor Hoog-Getal Problemen: Het artikel demonstreert dat MscaleFNO de spectrale bias van standaard FNO's overwint. Het bereikt snellere inferentie, verbeterde numerieke stabiliteit en hogere oplossing nauwkeurigheid voor hoog-getal Helmholtz-vergelijkingen door gebruik te maken van schaal-adaptieve spectrale representaties.
• Efficiënte Differentieerbare Inversie: Door MscaleFNO te embedden als een differentieerbaar voorwaarts model, vervangt het framework dure herhaalde PDE-oplossingen door efficiënte neurale netwerk-evaluaties, wat gradiëntgebaseerde optimalisatie voor hoogfrequente FWI mogelijk maakt.
• Robuuste Regularisatie via Diffusie: De integratie van een PnP EDM-prior verbetert de reconstructienauwkeurigheid en robuustheid tegen ruis en beperkte-apertuur data aanzienlijk. Het onderdrukt effectief artefacten terwijl het fijnmazige oscillerende details behoudt die traditionele gladheid-gebaseerde regularisaties (zoals Tikhonov) de neiging hebben te over-gladen.

Numerieke Resultaten

• Voorwaartse Nauwkeurigheid: In taken voor voorwaartse operator learning behield MscaleFNO een stabiele convergentie en lage relatieve $L_2$-fouten over getallen $k=10$ tot $k=60$. In contrast hiermee degradeerde de prestatie van standaard FNO significant naarmate $k$ toenam, waarbij het er niet in slaagde hoogfrequente componenten te vangen.
• Inverse Reconstructie: Onder 10% ruis bereikte de MscaleFNO-gebaseerde inversie substantieel lagere reconstructiefouten dan de FNO-gebaseerde inversie over alle geteste frequenties. De fout nam af van 0.956 bij $k=10$ naar 0.129 bij $k=60$, wat de voordelen van hoogfrequente metingen in combinatie met de juiste surrogaat bevestigt.
• Beperkte Apertuur en Ruis: De methode toonde robuustheid onder variërende ruisniveaus (tot 20%) en beperkte-apertuur configuraties (bron/ontvanger hoeken van $45^\circ$ tot $360^\circ$). De resultaten lieten zien dat hoewel beperkte apertures de fout verhogen, de methode succesvol de belangrijkste oscillerende structuren herstelt, waarbij de prestaties verbeteren naarmate de hoekdekking toeneemt.
• Ablatie-studies:
  • Spectrale Analyse: Fourier-spectra van MscaleFNO-vertakkingen onthulden onderscheidende frequentiepatronen, waarbij grotere schalen rijkere, gestructureerde hoogfrequente modi vastlegden, wat het multiscale ontwerp valideert.
  • Beperkingen van FNO: Het verhogen van het aantal Fourier-modi en de netwerkbreedte in standaard FNO loste het falen bij hoge frequenties niet op, wat suggereert dat de beperking inherent is aan de single-scale representatie en optimalisatie-instabiliteit, en niet enkel aan de modelcapaciteit.
  • Vergelijking van Regularisatie: Vergeleken met ongeoptimaliseerde inversie (die spookoscillaties produceerde) en Tikhonov-regularisatie (die kenmerken over-gladde), behield de PnP-EDM aanpak hoogfrequente details terwijl het artefacten verwijderde.

Betekenis en Claims
Het artikel claimt een oplossing te bieden voor de computationele bottleneck van hoogfrequente FWI door traditionele solvers te vervangen door een multiscale neurale operator-surrogaat. Het stelt dat deze aanpak een nauwkeurige, efficiënte en goed geregulariseerde reconstructie van hoog-oscillerende medium eigenschappen mogelijk maakt, een taak waar standaard neurale operators falen door spectrale bias en traditionele methoden falen door computationele kosten. De integratie van diffusiemodellen biedt een statistisch gefundeerde manier om de slecht gestelde aard van het inverse probleem aan te pakken zonder de resolutie van fijnmazige kenmerken op te offeren. Het werk positioneert MscaleFNO als een cruciale enabler voor hoog-resolutie golfveld-imaging in complexe, oscillerende omgevingen.