[论文解读] Reconstruction of Current Densities from Magnetic Images by Bayesian Inference

Colin B. Clement, James P. Sethna+1 more|arXiv (Cornell University)|Oct 28, 2019

Advanced X-ray and CT Imaging被引用 4

一句话总结

本文提出了一种贝叶斯推断框架，用于从磁力图像中重建二维电流密度，采用灵活的非传统先验（如Hessian矩阵的Frobenius范数和总变差）替代解析可处理的Tikhonov正则化。该方法采用ADMM优化并结合经验性先验强度选择，即使在存在边界电流和噪声数据的情况下，也能实现鲁棒且物理解释性强的重建。

ABSTRACT

Electronic transport is at the heart of many phenomena in condensed matter physics and material science. Magnetic imaging is a non-invasive tool for detecting electric current in materials and devices. A two-dimensional current density can be reconstructed from an image of a single component of the magnetic field produced by the current. In this work, we approach the reconstruction problem in the framework of Bayesian inference, i.e. we solve for the most likely current density given an image obtained by a magnetic probe. To enforce a sensible current density priors are used to associate a cost with unphysical features such as pixel-to-pixel oscillations or current outside the device boundary. Beyond previous work, our approach does not require analytically tractable priors and therefore creates flexibility to use priors that have not been explored in the context of current reconstruction. Here, we implement several such priors that have desirable properties. A challenging aspect of imposing a prior is choosing the optimal strength. We describe an empirical way to determine the appropriate strength of the prior. We test our approach on numerically generated examples. Our code is released in an open-source exttt{python} package called exttt{pysquid}.

研究动机与目标

• 解决凝聚态物理学中从噪声大、模糊的磁场图像重建电流密度的病态逆问题。
• 通过引入如总变差和基于Hessian的正则化等非解析可处理先验，克服传统Tikhonov正则化的局限性。
• 在无需镜像对称性或解析可处理性的情况下，整合电流守恒和有限器件边界等物理约束。
• 开发一种实用的开源实现（pysquid），支持实验物理学中电流重建的可重现性和可扩展性。

提出的方法

• 将电流重建建模为贝叶斯推断问题，采用生成模型将磁场测量值与潜在电流密度关联。
• 基于Hessian矩阵的Frobenius范数设计先验，以惩罚二阶空间变化，相比基于Laplacian的先验具有更好的旋转不变性。
• 通过在二阶导数上施加非光滑、非二次惩罚，实现总变差正则化，以保留清晰的电流边界。
• 使用交替方向乘子法（ADMM）求解优化问题，实现对对数后验分布的高效且稳定最小化。
• 引入经验方法确定最优先验强度，避免依赖交叉验证或理论假设。
• 通过修改ADMM公式，将有限支撑和外部模型先验整合，将电流密度约束在物理区域或已知电流模式内。

实验结果

研究问题

• RQ1 非传统、非解析可处理的先验（如总变差和基于Hessian的正则化）是否能超越Tikhonov正则化，提升电流密度重建性能？
• RQ2 与标准Laplacian先验相比，如何更有效地在电流重建中实现旋转不变性和物理一致性？
• RQ3 是否存在一种有效的经验方法来选择正则化强度，而无需依赖交叉验证或解析近似？
• RQ4 在贝叶斯重建框架中，如何以物理解释一致的方式处理边界处的电流注入/流出以及非对称器件几何结构？

主要发现

• 由于具有旋转不变性且对空间梯度的处理更优，Hessian矩阵的Frobenius范数相比Laplacian提供了更具物理意义的先验。
• 总变差正则化能有效抑制高频噪声，同时保留清晰的电流边界，在边缘保持方面优于Tikhonov正则化。
• 所提出的基于ADMM的优化框架能够稳定且高效地求解具有复杂、非光滑先验的重建问题。
• 经验性先验强度选择在多种合成测试案例中均产生鲁棒重建结果，显著降低了对交叉验证的依赖。
• 该方法成功处理了图像边界处的电流注入/流出问题，无需镜像对称性或人工边界条件。
• 开源Python工具包pysquid支持可重现、可扩展且社区驱动的实验物理学电流重建工具开发。