🔢 mathematics

Level-set physics-informed neural networks for domain inverse problems of gravimetry

本文提出了一种配备界面感知反向传播策略和自适应配置点细化的水平集物理信息神经网络框架，通过克服与不连续界面相关的训练挑战，从而有效地解决重力测量中病态的领域反问题。

原作者： Jingnan Yao, Wenbin Li, Jianliang Qian

发布于 2026-07-07

📖 1 分钟阅读🧠 深度阅读

原作者： Jingnan Yao, Wenbin Li, Jianliang Qian

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一名试图弄清楚一个密封、不透明的盒子里面藏了什么的侦探。你无法打开它，但你可以测量盒子外部极其微弱的引力。基于这些测量结果，你需要猜出内部重物的形状和位置。这就是**重力测量学（Gravimetry）**的核心：利用引力来观察地下（或行星内部）的情况。

问题在于，这是一个非常糟糕的谜题。许多不同形状的隐藏物体都可能产生完全相同的外部引力。这被称为“病态问题”（ill-posed problem），意味着存在太多看起来同样合理的错误答案。

新型侦探工具：“水平集 PINNs”（Level-Set PINNs）

作者提出了一种使用**人工智能（AI）解决这个谜题的新方法，具体来说是一种叫做物理信息神经网络（Physics-Informed Neural Networks, PINNs）**的技术。

以下是他们如何实现这一目标的拆解，通过简单的概念进行说明：

1. “直接式”AI 的问题

通常，如果你要求一个标准的 AI 去猜测隐藏物体的形状，它会尝试在每个地方画出一张模糊的密度图。但真实的隐藏物体具有锐利的边缘（比如一块石头或一个金属球）。AI 网络天生是“平滑”的，讨厌锐利的边缘。试图强迫一个平滑的 AI 去画一个完美的正方形，就像是用一把湿润的毛笔去画一个完美的正方形；边缘会变得模糊，AI 会感到困惑，从而导致错误的猜测。

2. 解决方案：“幽灵地图”（水平集/Level-Set）

与其要求 AI 直接画出物体，不如要求 AI 画一张幽灵的地图。

想象一座从地面升起的连续且平滑的山丘。
山顶代表“物体内部”。
谷底代表“物体外部”。
零线（山丘与地面交界处）就是物体的精确边界。

这就是所谓的水平集（Level-Set）。AI 只需要画出一座平滑的山丘（这是它擅长的），而物体的“锐利边缘”仅仅是那座平滑山丘上的零线。这解决了 AI 在处理尖锐棱角时遇到的困难。

3. “智能梯度”技巧（界面感知反向传播/Interface-Aware Backpropagation）

训练 AI 就像通过展示学生的错误来教导学生。AI 计算自己有多错，并据此调整其“大脑”（权重）以变得更好。

问题： 由于物体的边缘非常锐利，AI 的数学计算经常会崩溃。它要么产生“冲击”（梯度爆炸），即修正幅度过大；要么变得“麻木”（梯度消失），即感觉不到移动的必要。这就像是在驾驶一辆转向系统要么锁死、要么完全松动的汽车。
解决方法： 作者发明了一个特殊的技巧，叫做界面感知反向传播（Interface-Aware Backpropagation）。
- 当 AI 观察数据以寻找锐利边缘时，它使用一把非常细致、精准的尺子（一个很小的数字 $\tau$ ）来保持边缘的锐利。
- 但当 AI 从错误中学习时，它会暂时使用一把更宽的尺子（一个较大的数字 $\tilde{\tau}$ ）。
- 类比： 想象你在黑暗中试图找到悬崖的边缘。为了看清边缘，你使用一束极细、精准的手电筒光。但为了弄清楚如何走向边缘而不跌落，你使用一束宽阔、模糊的光束，覆盖更大的区域。这束宽阔的光束给了 AI 足够的“空间”，让它学会如何移动边缘，而不会陷入混乱或恐慌。

4. “智能搜索灯”（自适应细化/Adaptive Refinement）

AI 需要检查空间中的许多点来学习物理规律。

问题： 大部分空间是空旷的空气。AI 会在空旷的地方浪费时间，却错过了隐藏物体的关键边缘。
解决方法： 作者添加了一个智能搜索灯。随着 AI 学习边缘的位置，它会自动将更多的“检查点”移动到紧邻边缘的地方。它忽略了空白空间，并将精力集中在发生变化的边界处。

5. 结果

作者使用 2D 和 3D 示例（如圆形、平行四边形和球体）测试了这种方法。

标准 AI： 当他们尝试在没有这些技巧的情况下解决这个谜题时，AI 会产生模糊、毫无意义的色块，看起来一点都不像隐藏的物体。
水平集 PINNs： 使用他们的新方法，AI 成功地重建了隐藏物体的锐利形状，完美匹配了重力数据。

总结

这篇论文介绍了一种利用 AI 寻找地下隐藏形状的聪明方法，通过：

将锐利的形状转化为平滑的“幽灵山丘”（水平集）。
给 AI 一个“宽光束手电筒”，让它学会如何移动这座山丘，而不会被锐利边缘搞糊涂（界面感知反向传播）。
让 AI 只关注形状的边缘（自适应细化）。

这使得 AI 能够解决一个标准 AI 方法无法解决的极其困难的物理谜题。

技术摘要：用于重力测量领域反问题的水平集物理信息神经网络

1. 问题陈述

本文研究了重力测量的领域反问题（Domain Inverse Problem），其目标是从地表重力加速度测量值中重建地下异常质量分布的几何形状（区域 $D$ ）。虽然经典重力测量具有显著的病态性（非唯一性），但作者专注于一个特定的“正确性类（Correctness Class）”，即密度对比度 $f$ 是先验已知的，而未知量是区域的特征函数 $\chi_D$ 。

将标准物理信息神经网络（PINNs）应用于该问题的主要挑战在于界面（Interface）的间断性质。直接通过神经网络表示密度 $\rho = f \chi_D$ 存在以下问题：

神经网络本质上产生连续输出，难以表示尖锐且不连续的界面。
在训练过程中，这些尖锐界面的演化会导致梯度爆炸或梯度消失，特别是在使用数值近似 Heaviside 函数来模拟间断时。

2. 方法论

作者提出了**水平集物理信息神经网络（Level-Set PINNs）**来克服这些局限性。该方法由以下核心组件组成：

2.1 水平集公式化

该方法不直接预测密度，而是使用神经网络 $\phi_\omega(x)$ 来表示一个连续的水平集函数。未知区域 $D$ 由该函数的零水平集隐式定义：
$\rho_\omega(x) = f(x) H_\tau(\phi_\omega(x))$
其中 $H_\tau$ 是受参数 $\tau$ 控制的数值（平滑）Heaviside 函数。理想情况下， $\phi_\omega$ 近似于符号距离函数（Signed-Distance Function），其中 $\{x \mid \phi_\omega(x) = 0\}$ 代表尖锐界面 $\partial D$ 。

2.2 损失函数构建

训练过程最小化一个强制执行物理定律和数据保真度的复合损失函数 $L_{total}$ ：

PDE 残差 ( $L_{pde}$ )：强制执行 Poisson 方程 $-\Delta U = \gamma \rho$ 。
边界数据 ( $L_{bc}$ )：拟合观测面上测得的重力加速度 $g = \nabla U$ 。
远场条件 ( $L_{far}$ )：强制执行势能随无穷远处的衰减。
水平集正则化：
- Eikonal 项 ( $L_{eik}$ )：惩罚对 $|\nabla \phi| = 1$ 的偏离，以维持符号距离属性。
- 长度/面积惩罚 ( $L_r$ )：惩罚梯度范数，以防止结构不规则（如毛刺）并促进稳定演化。
参数正则化 ( $L_\Theta$ )：标准的权重衰减。

2.3 界面感知反向传播

一个关键创新是界面感知反向传播策略，用于处理由尖锐界面引起的梯度问题。

困境：为了获得尖锐界面（准确性），需要较小的 $\tau$ ，但这会在零水平集处引起梯度爆炸，并在其他地方引起梯度消失（训练不稳定）。
解决方案：作者将前向传播和反向传播解耦。
- 前向传播：使用较小的 $\tau$ 以保持尖锐的密度界面。
- 反向传播：使用较大的参数 $\tilde{\tau} = c\tau$ （其中 $c > 1$ ）重新定义 Heaviside 函数的导数。
理论依据：论文通过 Proposition 3.1 提供了严格的分析，证明只要 $\tau$ 足够小，通过修改后的损失项 $\tilde{\tau}$ 进行最小化，就能在接近最小化真实损失 $\tau$ 的同时，为梯度流创造一个“更宽的支持区域”，而不牺牲最终界面的尖锐度。

2.4 自适应细化与架构

自适应细化：采用一种迭代策略，在不断演化的界面附近（即 $|\phi_\omega(x)| < C_{refine}$ 处）动态添加配置点，以在最需要的地方提高分辨率。
网络架构：
- 水平集网络 ( $\phi_\omega$ )：使用 ReLU 激活函数。选择 ReLU 是因为其非饱和特性以及在近似 $W^{1,\infty}$ 函数（符号距离函数）方面的效率。
- 势能网络 ( $U_\theta$ )：使用 tanh 激活函数。由于 PDE 损失需要拉普拉斯算子 $\Delta U$ ，因此需要平滑的激活函数，因为 ReLU 的二阶导数几乎处处为零。

2.5 初始化策略

为了减轻病态问题中对初始化的敏感性，采用了两步预训练法：

预训练 $\phi_\omega$ 以匹配几何初始猜想。
给定初始化密度后，预训练 $U_\theta$ 以满足 PDE。

3. 主要贡献

水平集 PINN 框架：首次将水平集方法应用于专门针对重力测量中领域反问题的 PINN 范式，避免了以往仅针对前向界面方法进行升维的需求。
界面感知反向传播：一种新颖的训练策略，通过在反向传播期间重新定义导数，解决了水平集 PINNs 中的梯度爆炸/消失困境，并得到了详细的数学误差分析支持。
自适应配置：一种在训练过程中动态细化界面附近采样点的无网格策略。
理论分析：关于 ReLU 和 tanh 网络在特定 Sobolev 空间（与水平集函数和重力势相关的 $W^{1,\infty}$ ）中近似能力的证明。

4. 数值结果

通过广泛的 2D 和 3D 数值示例验证了该方法：

2D 示例（圆形和平行四边形）：该方法成功恢复了复杂形状的尖锐边界。基准对比显示，标准 PINNs（直接密度表示）无法恢复有意义的几何形状，甚至使用 Sigmoid 约束的 PINNs 表现也明显逊于所提出的水平集 PINNs。
3D 示例：
- 四个球体异常：成功恢复了具有尖锐界面的四个不同球体。
- 混合几何体：恢复了一个倾斜的平行六面体及其他复杂形状。
- 深度相关密度：成功处理了密度对比度 $f(x)$ 随深度变化（而非仅几何形状变化）的情况。
性能：在所有案例中，预测的重力数据均高度拟合实测数据，且重建的区域展现出与真实模型一致的尖锐、明确的界面。

5. 意义与主张

本文声称，水平集 PINNs 为重力测量的领域反问题提供了一种鲁棒且有效的解决方案，这类问题由于存在间断性，传统 PINNs 往往难以应对。

正确性类：这项工作强化了将反重力测量限制在“正确性类”（领域反问题）中的效用，在该类中，唯一性在理论上是有保证的，而不是试图解决完全病态的一般反问题。
泛化性：虽然侧重于重力测量，但作者指出该方法论为涉及间断结构的通用领域和界面重建问题提供了更广泛的见解。
未来方向：论文谦虚地指出，未来的工作可以探索将物理定律直接嵌入到展开的神经网络层中（模型引导的架构），但并未提出超出当前研究范围的具体新应用。

作者强调，他们的方法并不依赖于大规模训练数据集（不同于端到端的深度学习），而是利用物理定律和几何约束来确保可靠性和泛化能力。