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。
生物通微信公众号
生物通新浪微博
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