[论文解读] Fourier Neural Operator Networks: A Fast and General Solver for the Photoacoustic Wave Equation
本文提出傅里叶神经算子（FNO）网络，作为均匀介质中二维光声波方程的快速、可微分且可泛化的深度学习求解器。通过学习从初始压力分布到波场演化的解算子，FNO 的仿真速度比伪谱时域方法快几个数量级，同时保持相近的精度，并在未见过的配置上表现出强大的泛化能力。
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.
研究动机与目标
- 开发一种快速且可泛化的光声波方程求解器，以克服图像模拟中的计算瓶颈。
- 用学习得到的、可微分的算子网络替代计算成本高昂的数值求解器（如伪谱时域，PSTD）方法。
- 实现在训练过程中未见过的各类初始压力分布下的光声波传播的快速模拟。
- 证明深度学习可在基于物理偏微分方程的反问题中实现对训练数据之外的泛化。
提出的方法
- FNO 架构被训练以学习均匀介质中二维光声波方程的解算子。
- 网络使用二维傅里叶层，通过频域中的谱卷积捕捉全局空间依赖关系。
- 模型在成对的输入-输出数据上进行端到端训练：初始压力分布及其对应的时序解析波场模拟结果。
- FNO 具有可微分性，可集成到物理信息学习流程中用于反问题求解。
- 该方法利用学习得到的、参数高效的算子，可在不同空间和时间尺度上实现泛化。
- 网络以高精度伪谱时域（PSTD）求解器作为参考基准进行评估。
实验结果
研究问题
- RQ1深度学习模型能否以高精度和强泛化能力学习二维光声波方程的解算子？
- RQ2与经典 PSTD 方法相比，基于 FNO 的求解器在波传播模拟中的速度和精度表现如何？
- RQ3FNO 网络能否泛化到训练数据中未出现的初始压力分布？
- RQ4FNO 在不同空间和时间分辨率下能保持多大程度的精度？
- RQ5FNO 能否作为可微分、快速的代理模型用于反光声成像问题？
主要发现
- FNO 网络在测试案例中实现了与伪谱时域（PSTD）方法相当的模拟精度，相对误差较小。
- FNO 求解器比 PSTD 快几个数量级，实现了实时或近实时的波场模拟。
- FNO 展现出强大的泛化能力，能准确模拟训练过程中未见过的初始压力分布的波场。
- 模型在不同空间分辨率和时间采样率下均保持高性能。
- FNO 解算子具有可微分性，可集成到反问题优化流程中。
- 该方法对输入配置的分布偏移表现出鲁棒性，表明其对波传播物理规律具有强归纳偏差。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。