循环求解器中的联合算子学习:用于界面重建的分数阶拉普拉斯-贝尔特拉米特征

《Neural Networks》:SOLVER-IN-THE-LOOP JOINT OPERATOR LEARNING: FRACTIONAL LAPLACE-BELTRAMI FEATURES FOR INTERFACE RECONSTRUCTION

【字体: 大 中 小 】 时间:2026年05月19日 来源:Neural Networks 6.3

编辑推荐:

  郑阳阳|魏华毅|曹书豪|郭如驰摘要在这项工作中,我们提出了一种联合算子学习方法,用于从边界数据重建电导率系数的图像。受到利用偏微分方程(PDE)求解器作为该逆问题预处理器的启发,我们研究了一种“求解器内循环”训练机制。该机制允许集成在PDE求解器模块中的可学习参数与神经网络中的参

  
郑阳阳|魏华毅|曹书豪|郭如驰

摘要

在这项工作中,我们提出了一种联合算子学习方法,用于从边界数据重建电导率系数的图像。受到利用偏微分方程(PDE)求解器作为该逆问题预处理器的启发,我们研究了一种“求解器内循环”训练机制。该机制允许集成在PDE求解器模块中的可学习参数与神经网络中的参数进行交互,从而实现图像重建。具体而言,我们采用了一个具有可学习分数阶的分数拉普拉斯-贝尔特拉米算子,该算子将边界数据转换为高维特征。这些特征随后作为输入传递给神经网络,显著提高了重建精度。为此,我们开发了一个名为Learning-Automated FEM(LA-FEM)的软件包,该包以PyTorch作为后端,实现了这种“求解器内循环”特性。新的LA-FEM模块能够方便地实现目标函数的自微分,使得自微分过程可以自由地在正向问题的PDE求解器和逆问题的耦合神经网络之间传递。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号