[論文レビュー] A Carleman Semi-Discrete Convexification Method Combined With Deep Learning for Electrical Impedance Tomography

Michael V. Klibanov, Kirill V. Golubnichiy+1 more|arXiv (Cornell University)|Feb 20, 2026

Numerical methods in inverse problems被引用数 0

ひとこと要約

この論文は係数逆問題のための二段階手順を開発する：粗い格子上での半離散Carleman重みベースの凸化、続いて電気インピーダンストモグラフィー（Electrical Impedance Tomography: EIT）の解を改良するための深層学習。h-強凸性を導入し、学習段階の開始点に対する事前誤差推定を提供する。

ABSTRACT

In this paper, a new semi-discrete version of the Carleman estimate-based convexification globally convergent numerical method is developed. It is used for the delivery of the starting point for the training procedure of deep learning. An important feature of the continuous version of the convexification method is that its convergence to the true solution is independent on the availability of a good first guess about this solution. A new concept of the h-strong convexity is introduced, where h is the grid step size in the semi-discrete version of the convexification method. The h -strong convexity allows to obtain an a priori accuracy estimate of the starting point for the training step of the deep learning procedure. This approach is demonstrated for a highly nonlinear problem of Electrical Impedance Tomography. Results of numerical experiments for complicated media structures demonstrate the computational feasibility of this procedure.

研究の動機と目的

• 半離散Carleman推定に基づく係数逆問題の凸化法を導入する。
• 深層学習の学習段階開始点の事前精度を提供する。
• 半離散解を開始点としてニューラルネットワークを訓練し、EIT再構成の品質を向上させる。
• h-強凸性の概念を確立し、半離散と連続の定式化の収束性を分析する。
• 数値実験を通じてEIT問題の計算上の実現可能性を示す。

提案手法

• 最初にCarleman重みを用いた粗網上での半離散凸化を適用する二段階手順を定式化する。
• グラフ境界値問題(BVP)を粘性項を持つ系に変換し、全局収束と強凸性を達成する。
• hを格子歩幅とする半離散凸性を導入し、事前の精度推定を導出する。
• 半離散解を深層ニューラルネットワークの訓練開始点として用い、再構成質を向上させる。
• 半離散最適解と連続問題および真の解との関係について収束性と精度推定を証明する。
• 2-DのEITに対して、詳細な前方/逆問題の枠組みを適用する。

実験結果

リサーチクエスチョン

• RQ1 粗い格子上での半離散Carleman重みベースの凸化は、EIT係数再構成に対して全局収束する開始点を提供できるか。
• RQ2 格子歩幅hは半離散フレームワークにおける凸性と近似精度（h-強凸性）にどのように影響するか。
• RQ3 半離散解は深層学習の訓練段階を効果的に初期化し、正確なEIT再構成を達成できるか。
• RQ4 半離散解と連続問題および真の係数との間の事前誤差推定は何か。

主な発見

• 論文は半離散凸化汎関数に対するh-強凸性を導入し、それに関連する収束結果を導出した。
• 深層学習訓練開始点の事前精度推定を、sqrt(alpha)およびsqrt(h)に依存する形で提供する。
• 粗い格子上の半離散解は深層学習最適化の開始点として有効であり、EIT再構成を改善する。
• 複雑な媒体構造での数値実験は計算可能性とEITへの潜在的利益を示す。