Mitigating Spectral Bias in Neural Operators for Underwater Transmission Loss Prediction
本文提出了一种谱空间残差学习（S2RL）框架，该框架通过将水下传输损失预测分解为全局谱传播和局部空间细化，缓解了傅里叶神经算子的谱偏差，从而实现了比现有基准模型更快速、更准确且更细粒度的预测。
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
海洋是一个广阔而多变的迷宫，声音在其中以复杂的、无形的波浪形式传播。对于从事水下工作的科学家和工程师来说，预测声音能传播多远以及它会衰减多少——即所谓的传输损失（transmission loss）——是一件至关重要的事。这一知识指导着从布置敏感传感器到规划潜艇安全航线的一切工作。传统上，厘清这些模式是一项缓慢且繁重的任务。研究人员依赖于强大的数值求解器，它们本质上是分步处理声波物理过程的数字模拟。虽然这些模拟非常可靠，但由于其计算成本极高，无法进行足够快速的运行，以满足实时决策或大规模规划的需求。
为了提高速度，研究人员转向了人工智能，训练计算机模型来学习海洋环境与产生的声学模式之间的关系。一种极具前景的模型类型被称为傅里叶神经算子（Fourier Neural Operator），它在理解这些波动的宏观、全局行为方面表现出了卓越的能力。然而，这类模型存在一个盲点：它们擅长观察大局，却容易模糊掉精细、复杂的细节。它们会抹平水中实际存在的尖锐、锯齿状的干涉模式，就像一张低分辨率的照片，虽然捕捉到了脸部的轮廓，却丢失了皮肤的纹理。来自浙江大学和丹麦技术大学的研究人员的一项新研究针对这一特定弱点提出了解决方案，旨在保持这些快速模型的效率的同时，找回丢失的细节。
由 Yifan Sun 和 Lei Cheng 领导的研究团队提出了一种被称为“谱-空域残差学习”（Spectral-Spatial Residual Learning）的两阶段系统。他们并没有要求单个人工智能模型一次性完美地完成所有工作，而是将任务分解为两个截然不同的步骤。在第一阶段，一个标准的傅里叶神经算子充当“全局传播器”（Global Propagator）。它的任务是快速生成一个关于声音如何在水中运动的粗略、宽泛的预测。该模型非常擅长捕捉整体趋势和大规模结构，但正如预期的那样，它产生的结果过于平滑，缺失了锐利的边缘和精细的涟漪。
第二阶段引入了一个“局部精炼器”（Local Refiner），这是一种不同的神经网络类型，旨在观察第一个模型所犯的错误。这个精炼器并不试图重新预测整个声场，而是完全专注于粗略预测与真实、详细现实之间的差异，即“残差”（residual）。通过专门针对这些缺失细节进行训练，精炼器学会了重建第一个模型所抹平的高频干涉模式。最终的答案仅仅是粗略预测与详细修正值的总和，从而得到一个既具有全局一致性又具有局部锐度度的完整图像。
为了测试这种方法，团队使用了来自南海的水下声学数据数据集，模拟了频率为 200 赫兹的声音传播。他们将这种新的两阶段方法与标准模型以及传统的、缓慢的数值求解器进行了对比。结果令人瞩目。传统求解器产生单个预测大约需要 333 毫秒，这对于许多实时应用来说太慢了。标准快速模型速度极快，耗时不到 4 毫秒，但它们的预测很模糊，误差率接近 3 分贝。新的两阶段方法仅增加了极少的时间，使总时长达到约 8 毫秒，却将误差率大幅降低至约 1.5 分贝。
视觉证据证实了数据所展示的结果。当观察标准模型的原始输出时，那些复杂的干涉条纹——即声波相互叠加和抵消形成的复杂图案——变得模糊不清且不清晰。然而，新方法恢复了这些锐利、精确的图案，使预测结果看起来几乎与高保真模拟完全一致。此外，研究人员分析了声波的能量分布，发现标准模型在对应于这些精细细节的高频部分丢失了能量。他们的两阶段系统成功地恢复了这些丢失的能量，证明了“精炼器”有效地填补了“传播器”留下的空白。
这项工作表明，在水下声学预测中，速度与精度是可以兼得的。通过承认问题的不同部分需要不同的工具，研究人员创建了一个既能利用全局模型处理大局的效率，又能利用局部模型处理细节的精度，从而实现两者的结合。其结果是一个可以在毫秒内高精度预测水下声场的工具，为无需牺牲复杂海洋物理细节的实时海洋应用提供了一个切实可行的解决方案。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。