研究人员创建网络来预测波散射路径

Josiah02

高效计算光波、声波或地震波在被不规则障碍物散射后会去往何处，在各个领域都很有用，但即使使用最新的机器学习技术，也很难做到，而且成本高昂。为了提高此类计算的可扩展性和实用性，英国邓迪大学的研究人员 Laurynas Valantinas 和 Tom Vettenburg 将波动方程映射到递归神经网络的结构上。其最低的内存需求使他们能够将波散射计算扩大两个数量级或更多。
散射网络设计于 8 月 5 日在《智能计算》杂志上发表，题为“使用散射网络扩大波计算”。
Valantinas 和 Vettenburg 开发的方法基于收敛玻恩级数方法，用于对波动方程进行有效的数值计算，但可以计算比以前大 655 倍的体积中的波散射。
研究人员没有使用有限差分来近似导数（这需要过采样以尽量减少数值误差），而是使用卷积神经网络层来确定准确的导数而无需过采样。这使研究人员能够计算整个 175 微米立方体积的多重散射，相当于 2100 万立方波长。
此外，该网络可用于将光沉积在目标体积上，同时最大限度地减少其他区域的曝光。这对于在深层组织显微镜中聚焦生物组织时最大限度地减少样本曝光尤为重要。
基于云的散射网络经过专门设计，可利用相关物理原理高效编码光散射的现实，而不是松散地近似。它体现了麦克斯韦方程，该方程描述了光波等电场和磁场的行为。
此前，人们发现，即使对于非常小的问题，两层物理编码网络也需要密集训练。添加预处理层可将训练时间缩短 80% 以上。给定正确的递归形式和物理定义的权重，网络的最终版本通过确定性优化计算方程的解，完全不依赖深度学习反向传播。正是这个版本的网络带来了最高的效率优势。
散射网络是在机器学习库 PyTorch 中实现的，并在 Google Colab 上进行了演示。它与开源波解算器 MacroMax 集成，因此可以轻松用于各种材料，包括具有双折射和手性特性的材料。这使得任何有互联网连接的研究人员都能够处理大规模散射计算。