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

Resumo Técnico: Operador de Redes Neurais de Fourier Multiescala para Espalhamento de Ondas Inverso em Meios Altamente Oscilatórios

Enunciado do Problema
O artigo aborda o desafio de resolver problemas inversos de meio para a equação de Helmholtz, especificamente a Inversão de Forma de Onda Completa (FWI), em regimes altamente oscilatórios (alta frequência). A FWI tradicional baseia-se em otimização baseada em gradiente, exigindo soluções repetidas da equação de onda direta. Em regimes de alta frequência, isso torna-se computacionalmente proibitivo devido à necessidade de discretizações de malha finas para resolver comprimentos de onda curtos. Além disso, o problema inverso é mal posto, e os solvers numéricos padrão sofrem com o "efeito de poluição".

Embora o aprendizado profundo ofereça alternativas baseadas em dados, os métodos de aprendizado de operador existentes, como o Operador de Redes Neurais de Fourier (FNO) padrão, sofrem de "viés espectral", o que significa que têm dificuldade em representar campos de ondas altamente oscilatórios com precisão. Por outro lado, métodos que dependem de resoluções repetidas de EDPs (mesmo com priors aprendidos) permanecem computacionalmente caros. O desafio central é desenvolver um framework que seja simultaneamente eficiente computacionalmente, fisicamente consistente e capaz de resolver estruturas de escala fina e alta frequência sem o custo proibitivo dos solvers tradicionais.

Metodologia
Os autores propõem um novo framework de inversão que integra um Operador de Redes Neurais de Fourier Multiescala (MscaleFNO) como um substituto diferenciável para o operador de propagação de onda direta, acoplado a um Modelo de Difusão Elucidado Plug-and-Play (PnP) (EDM) para regularização.

1. MscaleFNO como Modelo Direto Substituo:

   • Em vez de resolver a equação de Helmholtz numericamente durante a inversão, os autores utilizam um MscaleFNO pré-treinado para mapear perturbações do meio ($\alpha$) e termos de fonte ($f$) para campos de ondas ($u$).
   • Diferente dos FNOs padrão, que truncam modos de alta frequência e exibem viés espectral, o MscaleFNO utiliza múltiplos ramos de operadores de Fourier em diferentes escalas. Cada ramo $FNO_i$ opera com um fator de escala específico $c_i$, permitindo que a rede aprenda representações através de um espectro de frequências simultaneamente.
   • Esta arquitetura permite a previsão precisa de campos de ondas altamente oscilatórios em regimes de alto número de onda ($k \in [10, 60]$), servindo como um substituto eficiente e diferenciável que elimina a necessidade de resoluções repetidas de EDP.

2. Prior de Difusão Plug-and-Play:

   • Para abordar a natureza mal posta do problema inverso, o framework incorpora um EDM pré-treinado como um prior aprendido.
   • O processo de inversão alterna entre etapas de consistência de dados (atualizando a estimativa do meio $\alpha$ usando otimização Adam baseada no gradiente do erro de dados computado via o substituto MscaleFNO) e etapas periódicas de correção de prior.
   • A cada $T$ iterações, a estimativa atual é refinada pelo amostrador EDM, que remove o ruído da reconstrução em direção ao manifold aprendido de meios fisicamente plausíveis. Esta abordagem "plug-and-play" injeta priors estruturais sem exigir funcionais de regularização explícitos ou resoluções adicionais de EDP.

3. Framework de Otimização:

   • A inversão é formulada como a minimização de um termo de fidelidade de dados (descompasso entre os campos de ondas previstos e observados) guiado pelo prior de difusão.
   • O processo é inicializado com um campo aleatório Gaussiano e atualizado iterativamente. O cronograma de ruído no amostrador EDM é ajustado dinamicamente durante a inversão, mudando de uma forte correção de prior nas iterações iniciais para um refinamento de escala fina nos estágios posteriores.

Principais Contribuições

• Substituto Superior para Problemas de Alto Número de Onda: O artigo demonstra que o MscaleFNO supera o viés espectral dos FNOs padrão. Ele alcança inferência mais rápida, maior estabilidade numérica e maior precisão de solução para equações de Helmholtz de alto número de onda ao utilizar representações espectrais adaptáveis à escala.
• Inversão Diferenciável Eficiente: Ao incorporar o MscaleFNO como um modelo direto diferenciável, o framework substitui as caras resoluções repetidas de EDP por avaliações eficientes de redes neurais, permitindo a otimização baseada em gradiente para FWI de alta frequência.
• Regularização Robusta via Difusão: A integração do prior PnP-EDM melhora significamente a precisão da reconstrução e a robustez ao ruído e a dados de abertura limitada. Ele efetivamente suprime artefatos enquanto preserva detalhes oscilatórios de escala fina que os regularizadores baseados em suavidade tradicionais (como Tikhonov) tendem a suavizar excessivamente.

Resultados Numéricos

• Precisão Direta: Em tarefas de aprendizado de operador direto, o MscaleFNO manteve convergência estável e baixos erros relativos de $L_2$ através de números de onda de $k=10$ a $k=60$. Em contraste, o desempenho do FNO padrão degradou significativamente conforme $k$ aumentava, falhando em capturar componentes de alta frequência.
• Reconstrução Inversa: Sob ruído de 10%, a inversão baseada em MscaleFNO alcançou erros de reconstrução substancialmente menores do que a inversão baseada em FNO em todas as frequências testadas. O erro diminuiu de 0,956 em $k=10$ para 0,129 em $k=60$, confirmando o benefício das medições de alta frequência quando pareadas com o substituto correto.
• Abertura Limitada e Ruído: O método demonstrou robustez sob níveis variáveis de ruído (até 20%) e configurações de abertura limitada (ângulos de fonte/receptor de $45^\circ$ a $360^\circ$). Os resultados mostraram que, embora aberturas limitadas aumentem o erro, o método recupera com sucesso as principais estruturas oscilatórias, com o desempenho melhorando conforme a cobertura angular aumenta.
• Estudos de Ablação:
  • Análise Espectral: Os espectros de Fourier dos ramos do MscaleFNO revelaram padrões de frequência distintos, com escalas maiores capturando modos de alta frequência mais ricos e estruturados, validando o design multiescala.
  • Limitações do FNO: O aumento do número de modos de Fourier e da largura da rede no FNO padrão não resolveu sua falha em altas frequências, sugerindo que a limitação é intrínseca à sua representação de escala única e instabilidade de otimização, não apenas à capacidade do modelo.
  • Comparação de Regularização: Comparado à inversão não regularizada (que produziu oscilações espúrias) e à regularização de Tikhonov (que suavizou excessivamente os recursos), a abordagem PnP-EDM preservou detalhes de alta frequência enquanto removia artefatos.

Significância e Alegações
O artigo afirma fornecer uma solução para o gargalo computacional da FWI de alta frequência ao substituir solvers tradicionais por um substituto de operador neural multiescala. Ele assegura que esta abordagem permite a reconstrução precisa, eficiente e bem regularizada de propriedades de meios altamente oscilatórios, uma tarefa onde os operadores neurais padrão falham devido ao viés espectral e métodos tradicionais falham devido ao custo computacional. A integração de modelos de difusão oferece uma maneira estatisticamente fundamentada de lidar com a natureza mal posta do problema inverso sem sacrificar a resolução de detalhes de escala fina. O trabalho posiciona o MscaleFNO como um habilitador crítico para o imageamento de campos de ondas de alta resolução em ambientes complexos e oscilatórios.