Inversprobleme in der Akustik sind oft schlecht gestellt und leiden unter Datenknappheit. Physik-informierte neuronale Netze (PINNs) bieten einen vielversprechenden Rahmen zur Lösung solcher Probleme aufgrund ihrer Flexibilität und Daten-Effizienz. Allerdings macht die Steifheit der Differentialoperatoren, die in ihrer Verlustfunktion erscheinen, die Ausbildung von PINNs schwierig. In dieser Studie präsentieren wir einen Ansatz der differenzierbaren Physik (DP), der einen differenzierbaren numerischen Solver in das Training von neuronalen Netzen integriert. Die zu schätzenden Unbekannten (wie die Anfangs- oder Randbedingungen, oder die Wellengeschwindigkeit) werden mit einem neuronalen Netz approximiert, während die Physik der Wellenausbreitung mit einem stabilen FDTD-Solver berechnet wird. Eine Reihe von numerischen Experimenten zeigt, dass der vorgeschlagene DP unbekannte Parameter selbst unter extremen Unterabtastungsbedingungen schätzen kann. Diese Arbeit hebt das Potenzial der Kombination von numerischen Solvern mit Deep Learning zur Lösung komplexer, datenknapper akustischer Probleme hervor.
Verburg et al. (Mittwoch) untersuchten diese Frage.