Jul, 2022

应用物理学知识的神经网络用于衍射层析成像

PDF
TL;DR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。
physics-informed neural networktomographic reconstructionsbiological sampleshelmholtz equationscattering problem
发现论文，激发创造
  • 物理启发的神经网络用于纳米光学和超材料反问题

    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

  • 改进物理推断神经网络训练过程的锥形散射公式化的亥姆霍兹方程

    通过物理信息神经网络（PINNs），本研究解决了连接两个半无限波导的入射波在节点处的散射问题。为了改善模型的学习能力，研究提出了亥姆霍兹边界值问题（BVP）的等效公式，利用了反向传播过程中传递的信息，从而增强和加速了 PINN 模型的训练过程。

    Apr, 2024

  • 基于物理和几何信息的神经操作网络及其在声学散射中的应用

    通过引入物理和几何信息的神经操作网络，本文提出了一种应用于声波散射正向模拟的模型，该模型通过基于非均匀有理 B 样条 (NURBS) 的几何参数化方法，能够对任意形状的散射体预测散射声压场，并且具有简洁有效的表示方式，同时避免了基于物理的方法在改变计算域时需要重新评估模型的问题。数值研究结果表明，该方法具有出色的模拟任意散射体几何组合所产生的声波压力场的能力，突显了所提出的操作学习方法的独特泛化能力。

    Jun, 2024

  • 基于物理信息的 RNN-DCT 网络用于时间依赖偏微分方程

    本文提出了一种新颖的基于物理信息的神经网络框架，用于解决时间依赖偏微分方程，利用离散余弦变换对空间频率进行编码，再利用循环神经网络处理时间演化，从而实现对问题的时空动态的潜在表达，提高了物理相关模型的效率和灵活性，并在 Navier-Stokes 方程的 Taylor-Green 涡旋解上实现了最先进的性能。

    Feb, 2022

  • 物理信息神经网络的隐式神经表示方法用于重建房间脉冲响应的早期部分

    本文提出使用基于物理的神经网络重建声场早期部分，实现了准确的重建且维持轻量架构。

    Jun, 2023

  • 利用人工神经网络进行纳米光子颗粒模拟和反向设计

    使用人工神经网络逼近多层纳米粒子的光散射，并利用反向传播求解纳米光子逆向设计问题。

    Oct, 2017

  • 用于可编程照明计算显微术的混合深度学习和基于物理的神经网络

    采用深度模型或物理模型是解决可编程照明计算显微术中逆采样重建问题的两种主流方法。本文结合深度模型和物理模型的优势，提出了一个由三个子神经网络组成的混合框架，在计算显微术中快速解决计算重建逆问题并取得更好的结果。该框架通过深度学习神经网络获得富含语义信息的结果，并将其作为物理网络的初始值，保证输出符合物理过程约束。两个结果作为输入传递给融合深度学习神经网络，进一步增强图像质量。验证了该混合框架的可行性和有效性，通过理论分析和实际实验在分辨目标和生物样本上。

    Jan, 2024

  • 物理信息神经网络的超参数调优：应用于 Helmholtz 问题

    通过引入基于高斯过程的贝叶斯优化的超参数优化 (HPO) 程序，针对边界问题中的亥姆霍兹方程，对物理感知神经网络 (PINNs) 的最优配置进行了研究，并在二维和三维中执行数值实验，包括与有限元方法的比较。

    May, 2022

  • 半无限层状域地震波反演的物理知识驱动神经网络

    本文提出一种基于物理信息神经网络（PINN）的地震波反演框架，以求解半无限域的介质分布问题。通过设计轻量网络学习未知介质分布和深度神经网络近似求解变量来验证该方法的有效性。

    May, 2023

  • 应用神经网络分析中子和 X 射线反射率数据：引入先验知识解决相位问题

    文章提出了一种使用先验知识规范训练过程的方法，以克服由于缺乏相位信息而导致的‘相位问题’对标准神经网络的限制，并通过利用先验知识来解决此问题，验证了该方法在各种情况下的有效性。

    Jun, 2023