Kontrastquellenbasiertes physikgetriebenes Netzwerk für inverse Streuaufgaben

In den letzten Jahren haben tiefe neuronale Netzwerke (DNNs) enorme Fortschritte bei der Lösung von inversen Streuaufgaben (ISPs) erzielt, indem sie komplexe nichtlineare Zusammenhänge zwischen Messdaten und Objektparametern modellieren. Doch die meisten dieser Ansätze erfordern umfangreiche, annotierte Datensätze, was ihre Anwendbarkeit in realen Szenarien stark einschränkt.

Untrainierte neuronale Netzwerke (UNNs) bieten eine Alternative, indem sie ihre Gewichte direkt aus den gemessenen elektrischen Feldern und physikalischen Grundannahmen anpassen. Trotz ihrer Datenunabhängigkeit leiden sie jedoch unter langen Inferenzzeiten, die sie für praktische Anwendungen unpraktisch machen.

Um diese Grenzen zu überwinden, stellt der neue Ansatz ein kontrastquellenbasiertes, physikgetriebenes neuronales Netzwerk (CSPDNN) vor. Das Modell prognostiziert die induzierte Stromverteilung, was die Rechenzeit erheblich reduziert, und nutzt einen adaptiven Total-Variation-Loss, um robuste Rekonstruktionen bei variierenden Kontrasten und Rauschbedingungen zu gewährleisten.

Die Leistungsverbesserungen des CSPDNN wurden durch umfangreiche numerische Simulationen sowie durch experimentelle Messdaten nachgewiesen, was die Vielseitigkeit und Zuverlässigkeit des Ansatzes in realen Anwendungsfällen unterstreicht.