[論文レビュー] Fourier Neural Operator Networks: A Fast and General Solver for the Photoacoustic Wave Equation

Steven Guan, Ko-Tsung Hsu+1 more|arXiv (Cornell University)|Aug 20, 2021

Photoacoustic and Ultrasonic Imaging参考文献 36被引用数 8

ひとこと要約

本稿では、均質媒質における2次元フォโตアクウスティック波方程式の高速で微分可能かつ一般化可能な深層学習ソルバーベースのFNO（フォーリエニューラルオペレータ）ネットワークを提案する。初期圧力分布から波動場の時間発展をマッピングする解のオペレータを学習することで、FNOは擬似スペクトル時間領域法と比較して数個のオーダーも速く、同等の精度を維持し、未学習の設定に対しても強い一般化性能を示す。

ABSTRACT

Simulation tools for photoacoustic wave propagation have played a key role in advancing photoacoustic imaging by providing quantitative and qualitative insights into parameters affecting image quality. Classical methods for numerically solving the photoacoustic wave equation relies on a fine discretization of space and can become computationally expensive for large computational grids. In this work, we apply Fourier Neural Operator (FNO) networks as a fast data-driven deep learning method for solving the 2D photoacoustic wave equation in a homogeneous medium. Comparisons between the FNO network and pseudo-spectral time domain approach demonstrated that the FNO network generated comparable simulations with small errors and was several orders of magnitude faster. Moreover, the FNO network was generalizable and can generate simulations not observed in the training data.

研究の動機と目的

• 画像シミュレーションにおける計算のボトル neck を克服するため、フォトアクウスティック波方程式の高速で一般化可能なソルバを開発すること。
• 計算コストの高い数値ソルバ（例：擬似スペクトル時間領域法（PSTD））の代わりに、学習可能で微分可能なオペレータネットワークを導入すること。
• トレーニング中に見られなかった多様な初期圧力分布に対しても、フォトアクウスティック波の伝搬を迅速にシミュレートできること。
• 深層学習が物理的PDEに基づく逆問題において、学習データを越えて一般化できることを示すこと。

提案手法

• FNOアーキテクチャは、均質媒質内における2次元フォトアクウスティック波方程式の解のオペレータを学習するように訓練される。
• ネットワークは2次元フーリエ層を用い、周波数ドメインにおけるスペクトル畳み込みによってグローバルな空間的依存関係を捉える。
• モデルは、初期圧力分布とそれに対応する時間分解波動場シミュレーションのペaired入出力データ上でエンドツーエンドに訓練される。
• FNOは微分可能であり、逆問題のための物理に基づく学習パイプラインに統合可能である。
• この手法は、空間的および時間的スケールをまたがる、パラメータ効率の良い学習済みオペレータを活用している。
• FNOは、高精度な擬似スペクトル時間領域（PSTD）ソルバを基準ベンチマークとして用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、2次元フォトアクウスティック波方程式の解のオペレータを、高い精度と一般化性能で学習できるか？
• RQ2 FNOベースのソルバは、波動伝搬シミュレーションにおいて、古典的なPSTD手法と比較して速度と精度でどう異なるか？
• RQ3 FNOネットワークは、トレーニングデータに存在しなかった初期圧力分布に対しても一般化できるか？
• RQ4 FNOは、空間的および時間的分解能が異なる状況でも、どの程度の精度を維持できるか？
• RQ5 FNOは、逆フォトアクウスティックイメージング問題における微分可能で高速なサーヴィレートとして使用できるか？

主な発見

• FNOネットワークは、擬似スペクトル時間領域（PSTD）法と同等のシミュレーション精度を達成し、テストケース全体で小さな相対誤差を示した。
• FNOソルバはPSTDよりも数個のオーダーも速く、リアルタイムまたはニアリアルタイムの波動場シミュレーションを可能にした。
• FNOは強い一般化性能を示し、トレーニング中に見られなかった初期圧力分布に対しても、正確な波動場をシミュレートできた。
• モデルは、異なる空間的分解能および時間サンプリングレートに対しても高い性能を維持した。
• FNOの解のオペレータは微分可能であり、逆問題の最適化パイプラインに統合可能であった。
• 入力設定の分布シフトに対しても、FNOは頑健であったことが示され、波動伝搬の物理法則に対する強いインダクティブバイアスを示した。