[論文レビュー] Unsupervised Deep Learning Algorithm for PDE-based Forward and Inverse\n Problems

Leah Bar, Nir Sochen|arXiv (Cornell University)|Apr 10, 2019

Numerical methods in inverse problems被引用数 45

ひとこと要約

本論文は、PDEと境界条件を満たすようにネットワークを訓練して前方問題と逆問題の両方を解く、メッシュフリー・教師なしニューラルネットワークフレームワークを提案し、2D楕円系と電気インピーダンス断層撮影（Electrical Impedance Tomography）で実証している。

ABSTRACT

We propose a neural network-based algorithm for solving forward and inverse\nproblems for partial differential equations in unsupervised fashion. The\nsolution is approximated by a deep neural network which is the minimizer of a\ncost function, and satisfies the PDE, boundary conditions, and additional\nregularizations. The method is mesh free and can be easily applied to an\narbitrary regular domain. We focus on 2D second order elliptical system with\nnon-constant coefficients, with application to Electrical Impedance Tomography.\n

研究の動機と目的

• ラベル付きデータがなくても前方PDE問題と逆PDE問題を解くことを動機付ける。
• 標準のL2忠実度をL∞様の項で拡張し、外れ値の扱いを改善する。
• 適応的な正則化項を取り入れ、事前の解知識を注入する。
• 任意の規則的ドメイン上でメッシュフリー解法を実現し、EITで実証する。

提案手法

• PDE解uと係数を、w_u, w_ij, w_cでパラメータ化されたニューラルネットワークで近似する。
• PDE、境界条件、正則化項を課すコスト関数を最小化することで訓練する（教師なし）。
• 残差のL2忠実度項とL∞-様の項を組み合わせたコストを用い、零測度問題と外れ値を緩和する。
• R^FおよびR^Iといった問題固有の正則化項の組み込みを可能にし、事前知識を組み込む。
• メッシュフリーなサンプリング手法を適用し、領域内および境界上のランダム点が最適化を導く。
• 2D二次楕円系で実証し、電気インピーダンス断層撮影（Electrical Impedance Tomography, EIT）に焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 方程式と境界条件を満たしつつ、教師なしニューラルネットワークが前方PDE問題を信頼性高く解けるか。
• RQ2 同じネットワークフレームワークを用いて、観測データから係数を学習して逆PDE問題に対処できるか。
• RQ3 L∞様の残差項を含めることが解の精度とエッジ鋭さに与える影響は何か。
• RQ4 自由形状のドメインをメッシュフリーアプローチがどれだけ適切に扱い、正則化を通じて事前知識を取り入れられるか。

主な発見

• 前方問題: ネットワークは複数の電流に対して正確なuを達成します。報告されたMSEおよびPSNRは高忠実度を示します（例: phantom 1: MSEs 3.15e-3, 1.33e-3, 6.93e-4、PSNRs 37.26, 36.12, 35.76）。
• 前方問題: phantom 1/2の結果は微分の精度向上を示し、導関数のMSEは1e-8レベル、PSNRは設定に応じて约31–37程度。
• L∞項の含有は鋭さと境界の識別を改善します（例: L_infty項を用いた微分再構成は鋭く、PSNR/MSEが改善）。
• 逆問題: 導電率の再構成は phantom テストでMSEが約0.22–0.26、PSNRが6–7の範囲で示され、定性的な再構成能力を示す。
• このアプローチはメッシュフリーのままで、正則化項（例: Total Variation）を用いて逆問題で分節的な解を促進できる。