本文研究了散射网络，作为模拟图像的通用表征。使用散射网络在监督和无监督学习任务中实现了具有竞争力的结果，并取得了对构建更可解释的卷积神经网络的进展。

Sep, 2018

我们使用物理学习的神经网络作为生物样本层析重建的前向模型，通过以亥姆霍兹方程为物理损失进行训练，可以准确地预测散射场。通过预先训练的网络可用于加速求解散射问题，我们评估了我们的方法并进行了数值和实验验证。我们的物理学习神经网络可以推广到任何正向和反向散射问题。

Jul, 2022

我们引入了一种两层小波散射网络，可用于物体分类，该两层卷积网络不涉及学习和最大池化，通过初始化第一层的小波滤波器，能够在形态物体变量和杂波等复杂图像数据集上高效执行。

Dec, 2013

该研究将散射变换（scattering transform）推广到图像上并在此基础上构建了图卷积神经网络（convolutional neural network on graphs），证明了在特定条件下，该网络生成的任何特征对排列的变化具有近似不变性（invariance）和对图像操作的稳定性，并在相关数据集上展现出卓越的性能（numerical results）。

Mar, 2018

基于神经网络的模拟器提供了比电磁波传播模拟快数个数量级的路径。我们展示了一个统一的模型，能够解决数千自由度的散射模拟问题，适用于任何波长、任何照明前波前以及任何自由形式的材料，模型基于一种关注的多条件策略，并允许非循环监督和预测中间物理状态，这提供了更好的泛化性能而无需额外的数据生成成本。使用这种 O (1) 的中间预测能力，我们提出并证明了有效可计算的预测误差上界，使得所有预测在推断时都能提供准确性保证。在仅使用随机系统训练后，我们通过一套具有挑战性的多学科反问题展示了统一模型，在光学断层扫描、体积随机介质中的光束成形和自由光子反设计等问题中，我们发现性能和速度改进效果达到 96%，而无需特定问题的训练。我们的发现展示了一种通向现有散射模拟器的通用、可验证准确的神经替代品的路径，而我们的条件和训练方法直接适用于任何允许时域迭代求解器的偏微分方程。

Mar, 2024

利用小波散射网络对静态过程进行表示，获得更高阶矩并可用于区分具有相同傅立叶功率谱的纹理，对于手写数字和纹理判别任务取得了最先进的分类结果。

Mar, 2012

应用可训练小波作为过滤器的可学习散射变换模型在宇宙学信息推断和消除星际物理效应方面表现优于传统卷积神经网络，特别在训练数据有限的情况下，且具有高度解释性。

Jul, 2023

通过在串联架构中结合正向建模和反向设计，可以有效地使用数据集对包含非唯一电磁散射实例的深度神经网络进行训练，为使用深度神经网络设计需要大型训练集的复杂光子结构铺平了道路。

Oct, 2017

使用 WaveY-Net 混合数据和物理学方法的卷积神经网络，通过学习物理约束和计算磁场得出电场的方式，针对介电光子结构预测电磁场分布以进行性能优化，提供了一种高速、精准和全面的 Maxwell 模拟器替代方案，特别适合于周期性硅纳米结构阵列的全局和局部自由形优化。

Mar, 2022

本文介绍如何应用物理信息神经网络（PINNs）求解光子超材料和纳米光学技术中的逆散射问题，并成功应用于多组分纳米粒子等多种散射系统的介电常数参数反演，从而拓展超材料的设计空间和功能。

Dec, 2019