[논문 리뷰] Fourier Neural Operator Networks: A Fast and General Solver for the Photoacoustic Wave Equation

Steven Guan, Ko-Tsung Hsu외 1명|arXiv (Cornell University)|2021. 08. 20.

Photoacoustic and Ultrasonic Imaging참고 문헌 36인용 수 8

한 줄 요약

이 논문은 균질한 매질 내 2차원 광음파 파동 방정식을 위한 빠르고, 미분 가능하고, 일반화 가능한 딥러닝 솔버로 푸리에 신경망 운용자(Fourier Neural Operator, FNO) 네트워크를 제안한다. 초기 압력 분포에서 파동장 진화로의 해를 매핑하는 해의 운용자를 학습함으로써 FNO는 가상 스펙트럼 시간 도메인 방법과 비교해 몇 개의 지수 차수 빠른 시뮬레이션 속도를 달성하면서도 유사한 정확도를 유지하고, 훈련 중에 볼 수 없었던 구성에도 강한 일반화 성능을 보인다.

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.

연구 동기 및 목표

• 이미지 시뮬레이션에서 발생하는 계산적 병목 현상을 해결하기 위해 광음파 파동 방정식을 위한 빠르고 일반화 가능한 솔버를 개발하기 위해.
• 가상 스펙트럼 시간 도메인(PSTD)과 같은 계산 비용이 큰 수치적 솔버를 대체하기 위해 학습된, 미분 가능한 운용자 네트워크를 도입하기 위해.
• 훈련 중에 볼 수 없었던 다양한 초기 압력 분포에 대해 빠른 파동 전파 시뮬레이션을 가능하게 하기 위해.
• 딥러닝 기반의 물리 기반 역문제에서 훈련 데이터를 초월한 일반화가 가능함을 입증하기 위해.

제안 방법

• FNO 아키텍처는 균질한 매질 내 2차원 광음파 파동 방정식의 해 운용자를 학습하도록 설계된다.
• 네트워크는 주파수 도메인에서의 스펙트럼 컨볼루션을 통해 2D 푸리에 레이어를 사용하여 전역적인 공간적 의존성을 포착한다.
• 모델은 입력-출력 데이터 쌍(초기 압력 분포 및 해당 시간 해상도 파동장 시뮬레이션)에 대해 엔드 투 엔드로 훈련된다.
• FNO는 미분 가능하며 물리 기반 학습 파ip라인에 통합되어 역문제에 활용될 수 있다.
• 해당 방법은 공간적 및 시간적 스케일 전반에서 일반화 가능한 학습된, 파rameter 효율적인 운용자를 활용한다.
• 고정밀도 가상 스펙트럼 시간 도메인(PSTD) 솔버를 기준 기준 기준으로 네트워크를 평가한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 2차원 광음파 파동 방정식의 해 운용자를 높은 정확도와 일반화 능력으로 학습할 수 있는가?
• RQ2 FNO 기반 솔버는 파동 전파 시뮬레이션에서 기존의 PSTD 방법과 비교해 속도와 정확도 측면에서 어떻게 성능을 내는가?
• RQ3 FNO 네트워크는 훈련 데이터에 존재하지 않는 초기 압력 분포로도 일반화할 수 있는가?
• RQ4 FNO는 다양한 공간적 및 시간적 해상도에서 얼마나 정확도를 유지하는가?
• RQ5 FNO는 역광음파 영상 문제에서 미분 가능한 빠른 서rogate로 사용될 수 있는가?

주요 결과

• FNO 네트워크는 가상 스펙트럼 시간 도메인(PSTD) 방법과 유사한 정확도를 달성했으며, 테스트 케이스 전반에서 작은 상대 오차를 보였다.
• FNO 솔버는 PSTD보다 몇 개의 지수 차수 빠른 속도를 기록하여 실시간 또는 거의 실시간의 파동장 시뮬레이션을 가능하게 했다.
• FNO는 훈련 중에 볼 수 없었던 초기 압력 분포에 대해서도 정확한 파동장 시뮬레이션을 수행함으로써 강력한 일반화 성능을 입증했다.
• 모델은 다양한 공간 해상도와 시간 샘플링 속도에서 높은 성능을 유지했다.
• FNO 해 운용자는 미분 가능했으며, 역문제를 위한 최적화 파이프라인에 통합될 수 있었다.
• 입력 구성에서 분포 이격 현상에도 불구하고 모델의 강건성은 파동 전파 물리 법칙에 대한 강력한 인덕티브 바이어스를 나타내었다.