A Fast and Generalizable ML-Assisted Framework for Full-Wave Inverse Scattering
Notice bibliographique
Résumé
This paper proposes a novel machine learning (ML)-assisted framework for solving full-wave inverse scattering problems (ISPs) in inhomogeneous, high-contrast media. Traditional deterministic algorithms used to solve such ISPs face significant challenges due to their high computational cost, inherent nonlinearity, and strong ill-posedness. Recently, the introduction of ML methods has enabled the development of rapid solutions to this problem. However, these solutions’ limited out-of-distribution (OOD) generalization capabilities pose significant challenges for practical applications. To address these challenges, we propose a novel pathway to combine ML models with full-wave inversion (FWI). In this framework, ML models serve as auxiliary tools, supplying prior knowledge for use in FWI. A mathematically guaranteed bounds-generation algorithm is proposed to bridge ML models with FWI, and a limited-memory Broyden–Fletcher–Goldfarb–Shanno algorithm with bound constraints (L-BFGS-B) is introduced in FWI to incorporate these bounds. In contrast to existing research, our framework leverages ML to enhance computational speed while preserving the interpretability and broad applicability of physical models, making it outstanding for OOD samples. We validate the framework across three numerical datasets and conducted rigorous ablation studies on each component to confirm its contributions. To further assess the robustness of the framework, we perform a noise stability study under perturbed conditions. In addition, we extend the framework to multi-frequency and time-domain inversion schemes, thereby demonstrating its broad applicability across diverse FWI tasks. We also integrate transfer learning techniques to highlight the framework’s strong compatibility with emerging ML techniques.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».