物理知识提升电磁场预测
机器学习
2025-03-18 v1
摘要
我们提出了一种 3D U-Net 模型，用于预测存在受试者时射频（RF）线圈内部电磁场的空间分布，该模型以线圈的相位、幅度和位置，以及周围介质的密度、介电常数和电导率作为输入。为提高准确性，我们引入了一种物理增强变体 U-Net Phys，该变体利用有限差分将高斯磁定律纳入损失函数中。我们在 CST Studio Suite 的电磁场仿真数据上训练模型，数据来自用于 7T MRI 的八通道偶极子阵列 RF 线圈。实验结果表明，U-Net Phys 显著优于标准 U-Net，尤其是在预测受试者内部场方面，这证明了将物理约束整合到基于深度学习的场预测中的优势。
引用
@article{arxiv.2503.11703,
title = {Physical knowledge improves prediction of EM Fields},
author = {Andrzej Dulny and Farzad Jabbarigargari and Andreas Hotho and Laura Maria Schreiber and Maxim Terekhov and Anna Krause},
journal= {arXiv preprint arXiv:2503.11703},
year = {2025}
}