arXiv · 26.06.2026 ·Исследования и наука

Применение PINN для решения обратной задачи Кальдерона с ограниченными данными

Исследователи представили новый метод решения обратной задачи Кальдерона с использованием физико-информированных нейронных сетей (PINN). Подход позволяет восстанавливать резкие изменения проводимости при ограниченном объеме граничных данных. Авторы внедрили многомасштабные граничные возбуждения на основе вейвлет-функций и применили кодирование признаков Фурье, что значительно повысило точность реконструкции сложных структур в условиях неполной информации.

Обратная задача Кальдерона заключается в определении внутренней проводимости объекта по измерениям тока и напряжения на его границе. Традиционные численные методы часто сталкиваются с вычислительной нестабильностью и потерей детализации при работе с резкими границами сред. Использование PINN позволяет интегрировать физические законы непосредственно в процесс обучения нейросети, что делает алгоритм более устойчивым к шумам и нехватке данных.

Ключевым нововведением стала комбинация случайных вейвлет-функций для генерации граничных возбуждений и Fourier-feature encoding (FFE). Это сочетание позволяет сети эффективно аппроксимировать высокочастотные компоненты сигнала, соответствующие резким скачкам проводимости. Метод демонстрирует высокую эффективность в задачах медицинской визуализации и неразрушающего контроля, где получение полных данных невозможно или экономически нецелесообразно.

Ключевые факты

Метод использует физико-информированные нейронные сети (PINN) для аппроксимации решений обратных задач.
Внедрение многомасштабных граничных возбуждений на базе вейвлет-функций улучшает разрешение при восстановлении проводимости.
Кодирование признаков Фурье (FFE) помогает нейросети лучше улавливать резкие изменения и высокочастотные детали структуры.
Подход оптимизирован для работы с ограниченными граничными данными, что критично для практических задач томографии и дефектоскопии.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение Новый метод решения нелинейных уравнений с нейросетями Исследователи предложили новый численный метод для решения нелинейных дифференциальных уравнений с использованием физически информированных нейронных сетей (PINNs). Метод основан на подходе Беллмана-Калабы, который сводит нелинейную задачу к последовательности линейных подзадач. Каждая из них решается методом наименьших квадратов с помощью QR-разложения. arXiv · Машинное обучение Оптимизация гиперпараметров в физически информированных нейросетях Исследователи представили новый подход к обучению физически информированных нейронных сетей (PINNs), предназначенных для решения дифференциальных уравнений в частных производных. Основная сложность таких моделей заключается в нестабильной сходимости и высокой чувствительности к выбору гиперпараметров, что вызвано невыпуклой структурой функции потерь, включающей множество физических ограничений. arXiv · Исследования и наука Новый подход к оптимизации нейронных декодеров для квантовых вычислений Исследователи представили метод повышения эффективности фундаментальных нейронных декодеров, критически важных для отказоустойчивых квантовых вычислений. Предложенный подход решает проблему масштабируемости при работе с большими кодовыми расстояниями, значительно снижая вычислительные затраты на генерацию синдромов и оптимизацию нейронных сетей. Это открывает путь к более надежной коррекции ошибок в крупномасштабных квантовых системах. arXiv · Исследования и наука Фотонные квантовые нейросети для диагностики рака на периферийных устройствах Исследователи представили архитектуру фотонных квантовых нейронных сетей с непрерывными переменными, оптимизированную для работы на периферийных устройствах. Метод позволяет эффективно выполнять сложные задачи классификации, такие как выявление рака полости рта, используя минимальное количество параметров. Технология предлагает альтернативу традиционным квантовым системам на кубитах, обеспечивая высокую точность диагностики в условиях ограниченных вычислительных ресурсов мобильного оборудования. arXiv · Машинное обучение Применение физически-информированных нейросетей для оценки состояния литий-ионных аккумуляторов Исследователи представили метод оценки состояния литий-ионных аккумуляторов на основе физически-информированных нейронных сетей (PINN) и обучения с переносом (transfer learning). Подход использует одночастичную модель с электролитом для прогнозирования параметров батареи, обеспечивая соблюдение физических законов сохранения непосредственно в функции потерь. Это позволяет достичь высокой точности моделирования при меньших вычислительных затратах по сравнению с традиционными методами численного анализа. arXiv · Машинное обучение Физически-ограниченные нейросети для моделирования периодических структур Исследователи представили архитектуру нейронных сетей с физическими ограничениями (PCNN), предназначенную для ускоренного прогнозирования матриц Джонса в периодических структурах. Метод заменяет ресурсоемкий анализ связанных волн (RCWA), используя закон сохранения энергии как жесткое условие. Это позволяет модели точно предсказывать поведение электромагнитных волн, гарантируя, что результаты всегда лежат на многообразии Штифеля. arXiv · Машинное обучение Решение проблемы нестабильности обучения гибридных квантовых нейросетей Исследователи предложили метод стабилизации процесса обучения гибридных квантовых нейронных сетей (QNN), используемых для классификации белков. Основная сложность таких моделей заключается в том, что выходные данные квантовых измерений (логиты) ограничены диапазоном от -1 до 1. При использовании стандартной функции потерь кросс-энтропии в сочетании с нормализацией softmax это ограничение приводит к математической нестабильности и замедлению сходимости алгоритма. arXiv · ИИ в бизнесе SimPhysNet: нейросетевой метод контроля качества лазерной сварки Исследователи представили SimPhysNet — алгоритм на базе самообучающихся физически-информированных нейронных сетей (PINN) для прогнозирования глубины проплавления при лазерной сварке. Модель позволяет с высокой точностью классифицировать состояние шва в режиме реального времени, что критически важно для предотвращения дефектов в промышленном производстве и обеспечения целостности соединений без необходимости проведения разрушающего контроля. arXiv · Машинное обучение Новый фреймворк для диагностики повреждений конструкций с помощью ИИ Исследователи представили метод обучения нейросетей для мониторинга состояния инженерных конструкций в условиях дефицита реальных данных. Фреймворк сочетает многоуровневые сверточные автокодировщики и трансферное обучение, используя массивные симуляции для компенсации нехватки экспериментальных образцов. Это позволяет эффективно выявлять скрытые дефекты в структурах, минимизируя вычислительные затраты на генерацию высокоточных моделей и повышая точность диагностики в реальных промышленных условиях. arXiv · Машинное обучение Ускорение численного моделирования потоков с помощью графовых нейросетей Исследователи представили новый метод ускорения алгебраических многосеточных решателей (AMG), используемых для решения уравнения Пуассона при моделировании несжимаемых потоков. Традиционные линейные методы часто сталкиваются с вычислительными сложностями из-за неоднородности расчетных сеток, что делает их узким местом в инженерных расчетах.

← Все материалы