PETAL:通过平均线性化进行物理仿真以解决反问题
信号处理
2023-05-19 v1 机器学习
摘要
反问题描述了由观测量恢复潜在感兴趣信号的任务。通常,观测量是通过对潜在未知信号施加某种非线性前向模型而相关联的。反演非线性前向模型可能在计算上代价高昂,因为它常涉及在一系列估计处计算并求逆线性化。我们不直接反演基于物理的模型,而是训练一个替代前向模型(仿真器),并利用现代自动微分库在经典优化框架内求解输入。当前训练仿真器的方法以黑箱监督机器学习方式进行,未能利用任何已有的前向模型知识。在本文中,我们提出一种简单的学习型加权平均模型,将前向模型围绕各参考点的线性化嵌入模型本身,显式地融入已知物理。用基于物理的线性化锚定学习型模型,改善了前向建模精度,并在反演过程中提供更丰富的基于物理的梯度信息,从而带来更精确的信号恢复。我们在一个海洋声学层析(OAT)实例上展示了其有效性,该实例旨在根据声学观测(如本征射线到达时间)在墨西哥湾海洋动力学模拟中恢复海洋声速剖面(SSP)变化。
引用
@article{arxiv.2305.11056,
title = {PETAL: Physics Emulation Through Averaged Linearizations for Solving Inverse Problems},
author = {Jihui Jin and Etienne Ollivier and Richard Touret and Matthew McKinley and Karim G. Sabra and Justin K. Romberg},
journal= {arXiv preprint arXiv:2305.11056},
year = {2023}
}