물리 정보 신경망을 이용한 유한 데이터 칼데론 문제에서 날카로운 전도도 특징 복원
Recovering Sharp Conductivity Features in the Finite-Data Calderón Problem with Physics-Informed Neural Networks
한국어 초록
물리 정보 신경망(PINN)은 최근 제한된 경계 데이터로부터 칼데론 역문제를 다루는 유망한 프레임워크로 부상했다. 본 연구에서는 무작위화된 웨이블릿 함수에 기반한 다중 스케일 경계 여기를 도입하고, 날카로운 전도도 변화를 표현하는 데 있어 푸리에 특징 인코딩(FFE)의 역할을 조사함으로써 신경망 기반 칼데론 역변환을 재검토한다. 우리는 가해진 경계 여기에 조건화된 별도의 신경망으로 미지의 전도도와 관련 전위 함수군을 표현하는 물리 정보 재구성 프레임워크를 제안한다. 지배 타원 PDE는 물리 정보 잔차를 통해 강제되며, 유한 Dirichlet-to-Neumann(DtN) 데이터는 경계 손실을 통해 통합된다. 유한차분 순방향 솔버로부터의 합성 데이터를 사용하여, 포함물, 날카로운 계면, 매끄러운 프로파일, 이질 매질을 갖는 전도도 필드에 대해 이 방법을 평가한다. 결과는 이 프레임워크가 유한 경계 측정으로부터 지배적인 전도도 구조를 상대 오차 약 $3\%-12\%$ 수준으로 복원함을 보여준다. FFE가 국소화된 날카로운 특징(특히 포함물과 계면)의 재구성을 개선하지만 보편적으로 최적은 아니며, 원시 좌표 신경망이 더 매끄러운 필드에서 경쟁력 있는 성능을 보인다는 것을 보인다. 이러한 결과는 신경망 칼데론 역변환에서 좌표 표현과 경계 여기 설계가 핵심 요인임을 강조한다.
원문 초록
Physics-informed neural networks (PINNs) have recently emerged as a promising framework for addressing the Calderón inverse problem from limited boundary data. In this work, we revisit neural Calderón inversion by introducing multiscale boundary excitations based on randomized wavelet functions and investigating the role of Fourier-feature encoding (FFE) for representing sharp conductivity variations. We propose a physics-informed reconstruction framework that represents the unknown conductivity and the associated family of electric potentials with separate neural networks conditioned on the applied boundary excitations. The governing elliptic PDE is enforced through physics-informed residuals, while finite Dirichlet-to-Neumann (DtN) data are incorporated through boundary losses. Using synthetic data from a finite-difference forward solver, we evaluate the method on conductivity fields with inclusions, sharp interfaces, smooth profiles, and heterogeneous media. Results show that the framework recovers dominant conductivity structures from finite boundary measurements with relative errors between $3\%-12\%$ approximately. We show that FFE improves the reconstruction of localized sharp features, particularly for inclusions and interfaces, but are not universally optimal, with raw-coordinate networks performing competitively for smoother fields. These results highlight coordinate representations and boundary excitation design as key factors in neural Calderón inversion.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.28158v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
물리 정보 신경망 역문제를 위한 타깃 유도 선택적 재가중: 전이학습 접근법
Target-Guided Selective Reweighting for Physics-Informed Neural Network Inverse Problems: A Transfer Learning Approach
물리 정보 신경망(PINN)은 편미분방정식(PDE) 역문제에서 종종 불량 조건 최적화(ill-posed optimization), 손실 함수 간의 충돌, 매개변수 보상(parameter compensation) 문제에 직면합니다. 전이학습(transfer learning)은 소스 태스크의 표현을 재사용할 수 있지만, 소스와 타깃의 물리적 특성이 다를 경우 직접적인 미세조정(fine-tuning)은 부정적 전이(negative transfer)를 유발하여 장(field) 오차는 낮으나 부정확한 매개변수 복원으로 이어질 수 있습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 PINN 역 전이학습을 위한 타깃 증거 기반 표현 교정 기법인 타깃 유도 선택적 재가중 PINN(Target-Guided Selective Reweighting PINN, TGSR-PINN)을 제안합니다. TGSR-PINN은 소스 신경망의 가중치와 편향을 전이하지만, 타깃 물리 매개변수는 독립적으로 초기화합니다. 타깃에 대한 짧은 적응 후, 고정된 배치에서 1차 테일러 민감도와 사전 활성화 분산을 사용하여 뉴런의 점수를 매깁니다. 이 점수들은 순위 대체(rank fallback)가 포함된 가우시안 혼합 모델(Gaussian mixture model)을 통해 연속적인 약적응(weak-adaptation) 신호로 변환됩니다. 그런 다음 TGSR-PINN은 해당 입력 가중치 행과 편향을 가지치기(pruning)하거나 재설정하지 않고 유계 선택적 소프트 감쇠(bounded selective soft decay)를 적용합니다. 0-소스 고페클레 유입-유출 문제(영이 아닌 디리클레 데이터 및 유출 경계층 포함), Allen-Cahn에서 Burgers로의 교차 PDE 전이, 5% 노이즈가 포함된 반응-확산 역문제에 대한 실험 결과는 TGSR-PINN이 낮은 장 오차를 유지하면서 매개변수 복원 성능을 향상시킴을 보여줍니다. 소거 연구(ablation studies)를 통해 뉴런 타깃 점수화, 약적응 추정, 층 보호 및 선택적 소프트 감쇠가 관찰된 성능 향상에 공동으로 기여함을 확인했습니다.
자기공명 탄성영상(MRE)에서 점탄성 조직 특성 재구성을 위한 하이브리드 CNN-수반(adjoint) 최적화 프레임워크
A hybrid CNN-adjoint optimization framework for reconstruction of viscoelastic tissue properties in magnetic resonance elastography
자기공명 탄성영상(MRE, Magnetic Resonance Elastography)은 전단파(shear wave) 전파로부터 연조직의 점탄성 특성을 정량화하는 비침습적 영상 기법이다. 측정된 변위장(displacement field)으로부터 복소값 전단 탄성률(shear modulus)을 복원하는 것은, 특히 잡음이 존재하고 경계 가진(boundary excitation)이 제한된 경우 심각하게 비정칙적인(ill-posed) 역문제로 이어진다. 본 연구에서는 수반(adjoint) 기반 최적화, 합성곱 신경망(CNN) 재구성, 그리고 두 접근법을 결합한 하이브리드 프레임워크를 조사한다. 정방향 모델(forward model)은 복소 전단 탄성률을 갖는 수정된 정상(stationary) 스토크스(Stokes) 계의 스칼라 형태를 기반으로 한다. 우리는 정방향 문제의 well-posedness, 최소화자(minimizer)의 존재성, 수반 기반 공식화에 대한 1차 최적성 조건을 확립하고, Armijo 선탐색(line search)을 적용한 비선형 켤레기울기법(conjugate-gradient method)을 구현한다. PDE 제약 최적화(PDE-constrained optimization)는 계수 재구성을 정확하게 정밀화할 수 있지만, 그 성능은 초기화(initialization)에 크게 의존한다. 이에 따라 우리는 복소값 변위 측정값을 공간적으로 변화하는 복소 전단 탄성률 필드로 매핑하여 빠르고 유의미한 초기 재구성을 제공하는 2차원 CNN을 구성한다. 제안된 하이브리드 방법은 CNN 재구성 결과를 사용하여 수반 기반 최적화를 초기화함으로써 더 빠른 수렴(convergence)과 향상된 정확도를 달성한다. CNN은 개별 섭동(perturbation)을 포함하는 계수 필드에 대해 학습되며, 개별 구성과 이전에 보지 못한 복합 구성 모두에 대해 테스트된다. 수치 실험 결과, CNN은 이러한 더 어려운 구성에도 잘 일반화되며, 이후의 PDE 제약 최적화는 재구성된 계수를 추가로 정밀화하는 것으로 나타났다. 이러한 결과는 데이터 기반 초기화와 물리 기반 최적화를 결합하는 것이 효율적이고 정확한 MRE 재구성에 지닌 잠재력을 보여준다.
정확한 가우시안 조건화를 통한 확산 및 흐름 기반 사후 샘플링 포괄
Spanning Diffusion and Flow-based Posterior Sampling via Exact Gaussian Conditioning
흐름 매칭(flow-matching) 및 확산 모델(diffusion model)은 선형 역문제(linear inverse problem)의 사전확률(prior)로 점점 더 많이 활용되고 있으나, 대부분의 방법은 특정 궤적 사전확률 클래스에만 맞춤화되어 있습니다. 플러그 앤 플레이(plug-and-play) 방식들이 제안되었지만, 이들은 유도된 궤적의 상관관계를 암묵적으로 해제하여 데이터가 희소할 때 성능이 저하될 수 있는 넓은 사전확률을 형성합니다. 본 연구에서는 흐름, 확산 및 탈상관된 사전확률을 일반화하는 상관 매개변수 $β$와 경로 분포가 얼마나 강하게 적용되는지를 제어하는 신뢰도 매개변수 $κ$로 색인화된 범용 플러그 앤 플레이 방법인 $β$-Flow를 제안합니다. 각 단계는 노이즈 제거 네트워크의 단 한 번의 순전파 평가만을 필요로 하며, 이후 가우시안 조건화 단계가 이어집니다. 이 조건화 단계는 네트워크 그래디언트에 의존하지 않는 정확한 칼만 업데이트(Kalman update)입니다. 우리는 기존의 많은 가이드 샘플러들이 칼만 이득 대신 서로 다른 궤적 사전확률과 연산자를 암묵적으로 사용하는 본 방법의 인스턴스 또는 근사치로 해석될 수 있음을 보여줍니다. 이러한 관점에서 우리는 암묵적 편향 및 가정의 측면에서 방법들의 정성적 비교를 제공합니다. 또한 4개 데이터셋에 걸친 7개의 역문제에서 PSNR 및 SSIM 기준으로 일관되게 최고 수준(SOTA)의 성능을 달성함을 입증합니다. 아울러 관측 정보가 적을 때는 높은 신뢰도의 강한 상관관계(엄격한 사전확률)가 가장 효과적이며, 관측 정보가 많을 때는 낮은 상관관계가 선호된다는 점을 보여줌으로써 베이즈 추론(Bayesian inference)에서 사전확률과 가능도(likelihood)의 상호보완적 역할을 반영하는 이러한 사전확률 제어의 유용성을 입증합니다.
생물학적 정보 기반 신경망을 활용한 신뢰할 수 있는 기전 연산자 복원: 아키텍처 및 최적화 설계를 위한 원칙
Reliable mechanistic operator recovery with biologically-informed neural networks: principles for architecture and optimisation design
많은 생물학적 과정은 실험 데이터의 양이 증가함에도 불구하고 여전히 불완전하게 이해된 복잡한 동적 메커니즘에 의해 지배됩니다. 생물학적 정보 기반 신경망(BINN)은 미분 방정식을 신경망(neural network) 학습(training)에 임베딩(embedding)하여 희소하고 노이즈가 있는 관측 데이터로부터 구성 연산자를 직접 복원할 수 있도록 함으로써 이러한 과제를 해결하고자 합니다. 그러나 연산자 복원이 아키텍처 설계, 최적화(optimization) 전략 및 데이터 내 정보에 어느 정도 의존하는지는 아직 명확히 밝혀지지 않았습니다. 본 연구에서는 1차원 이류-확산-반응 편미분 방정식(PDE)에 적용된 BINN을 사용하여 이러한 요인들이 기전 추론(inference)에 미치는 영향을 실증적으로 분석합니다. 다양한 문제 전반에 걸쳐 네트워크 표현력, 학습률(learning rate), 손실 가중치, 배치(batch) 크기가 최적화 동작, 재구성 정확도, 연산자 복원에 어떤 영향을 미치는지 조사합니다. 연구 결과, 기전 추론은 단일 측면을 극대화하기보다는 상충하는 목표 간의 균형을 맞춤으로써 좌우된다는 점을 보여줍니다. 적당한 표현력을 가진 아키텍처가 복잡한 네트워크보다 우수한 성능을 보이고, 중간 수준의 학습률이 효율적인 탐험(exploration)과 최적화 안정성의 균형을 이루며, 정확한 연산자 복원을 위해서는 데이터 피팅 손실(loss)과 PDE 잔차 손실 간의 균형이 필요하고, 중간 수준의 배치 크기가 효율적인 매개변수(parameter) 공간 탐험, 계산 효율성 및 재현성 사이에서 최적의 절충안을 제공합니다. 나아가 과적합, 불안정한 최적화, 불량한 기전 복원 등 흔히 발생하는 실패 모드를 인식하기 위한 실용적인 진단법을 제시합니다. 이러한 발견은 생물학적 모델(model) 발견을 위한 신뢰성 있는 도구로서 BINN을 배포하기 위한 가이드라인을 정립하며, 신뢰할 수 있는 기전 추론이 모델 표현력, 최적화, 물리적 일관성, 데이터 정보성의 적절한 균형을 통해 달성됨을 입증합니다.
관측 불가능한 이미지 구조의 확산 기반 복원을 위한 연속적 사후 확률 융합
Consecutive Posterior Fusion for Diffusive Recovery of Unobservable Image Structures
심각한 부적절성(ill-posed)을 지닌 이미징 역문제(inverse problem)를 해결하기 위해서는 측정치로부터 관측할 수 없거나 약하게 제약된 이미지 구조를 복원해야 합니다. 확산 모델(diffusion model)은 이러한 누락된 정보를 추론(inference)하기 위한 표현력 있는 학습 기반 사전 분포(prior)를 제공하며, 사후 확률 샘플링(posterior sampling)은 역과정(reverse process) 전반에 걸쳐 측정 일관성(measurement consistency)을 결합합니다. 그러나 표준 확산 사후 확률 샘플러는 이전 사후 교정에 포함된 정보를 명시적으로 활용하지 않고 순간적인 측정 인지 추정치에만 의존합니다. 본 논문에서는 재학습이나 추가적인 디노이저(denoiser) 평가 없이도 연속적인 측정 인지 추정치를 융합하여 관측 불가능한 이미지 구조의 확산 기반 복원을 향상시키는 추론 시점 전략인 연속적 사후 확률 융합 노이즈 제거 확산 영공간 모델(CPF-DDNM)을 제안합니다. 우리는 치역/영공간(range/null-space) 분해를 통해 연속적 융합이 측정치에 의해 결정되는 성분을 보존하면서 사전 분포 기반 영공간 추정치에만 배타적으로 작용함을 보여주는 DDNM 내에서 이 원리를 구현합니다. 이를 통해 CPF-DDNM에 대한 기하학적 해석과 외삽(extrapolative) 영역을 포함하여 최적의 시간 의존적 융합 계수를 특성화하는 국소 오차 분석을 제공합니다. 희소각(sparse-view) 및 모의 저선량 컴퓨터 단층촬영(CT), 의료 영상 초해상도(super-resolution)에 대한 실험 결과, DDNM 대비 일관된 개선과 확산 기반 역문제 해결 모델 대비 경쟁력 있는 성능을 보여줍니다.
역문제에서 상환 베이지안 추론을 위한 변분 목적함수: 사후 조건화의 역할
Variational objectives for amortized Bayesian inference in inverse problems: The role of posterior conditioning
변분 오토인코더(VAE)는 역문제에 대한 상환 베이지안 추론(inference)을 효율적으로 수행하는 접근을 제공하지만, 역문제에 약하게 식별되는 매개변수 방향이 포함될 때 특히 사후 정확도는 변분 정규화(regularization) 선택에 크게 의존할 수 있다. 본 연구는 세 가지 목적함수를 조사한다: 역 Kullback–Leibler 형식(VAE-KL), 비대칭 Jensen–Shannon 형식(VAE-JS), 그리고 역 Kullback–Leibler 정규화항을 제곱 2-Wasserstein 거리로 대체하면서 순방향 Kullback–Leibler 사후 지도는 유지하는 Jensen–Shannon–Wasserstein 형식(VAE-JSWA). 상환 사후 추론에는 full-covariance 가우시안 인코더와 사전학습된 물리 기반 서로게이트(surrogate)를 사용한다. 일반화 Fisher 기저에서의 국소 선형–가우시안 분석을 개발하여 세 목적함수의 분산 의존 기울기를 특성화한다. 이 형식들은 먼저 알려진 사후 해가 있는 선형–가우시안 벤치마크로 평가한 뒤, 선형 ODE에 의해 지배되는 역문제 하나와 PDE 제약 역문제 두 개를 포함한 비선형 물리 기반 역문제에서 검증한다. 세 접근 모두 유사한 사후 근사를 내놓는 잘 조건화(well-conditioned)된 벤치마크에서는 VAE-KL이 다른 형식들보다 약간 더 나은 성능을 보이는 반면, 강하게 ill-conditioned된 벤치마크에서는 VAE-JSWA가 사후 오차를 현저히 더 낮춘다. 비선형 물리 기반 문제에서도 유사한 조건화 의존 경향이 나타나며, 사후 ill-conditioning이 커질수록 JS 기반 형식이 더 큰 이득을 제공한다. 이러한 결과는 사후 조건화(posterior conditioning)가 변분 목적함수 선택에 중요한 요인임을 시사하며, 베이지안 역문제를 위한 기하학 적응형 변분 추론을 동기 부여한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.