計算波動イメージングにおける深層学習と物理ベースアプローチに関する調査
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2410.08329v2 発表種別：差し替え
要約：計算波動イメージング（CWI）は、物質の体積を通過する波動信号を分析することにより、その体積の隠れた構造と物理的特性を抽出する。その応用には、地球地下の地震探査、材料科学における音響イメージングと非破壊検査、医学における超音波コンピュータ断層撮影などが含まれる。CWI問題を解くための現在の方法は、従来の物理学に根ざしたものと、深層学習に基づくものの2つのカテゴリーに分類できる。物理学に基づく方法は、媒体内の音響特性の高解像度かつ定量的に正確な推定を提供できる点が優れている。しかし、計算集約型であり、CWI問題に典型的な不適切性と非凸性に悩まされる可能性がある。近年、機械学習に基づく計算手法が登場し、これらの課題に対処するための異なる視点が提供されている。様々な科学コミュニティが、CWIへの深層学習の統合を独立して追求してきた。本稿では、現代の科学的機械学習（ML）技術、特に深層ニューラルネットワークが、CWI問題を解決するための従来の物理学に基づく方法を強化し、統合するためにどのように開発されてきたかを論じる。
計算イメージング、波動物理学、データサイエンスを含む複数の分野にわたる既存の研究を統合する構造化されたフレームワークを示す。本研究は、既存のMLベースの方法から得られた重要な教訓を示し、このトピックに関する広範な文献の体系的な分析を通して、技術的なハードルと新たなトレンドを特定して結論付ける。
原文（英語）を表示
Title (EN): Survey of Deep Learning and Physics-Based Approaches in Computational Wave Imaging
arXiv:2410.08329v2 Announce Type: replace
Abstract: Computational wave imaging (CWI) extracts hidden structure and physical properties of a volume of material by analyzing wave signals that traverse that volume. Applications include seismic exploration of the Earth’s subsurface, acoustic imaging and non-destructive testing in material science, and ultrasound computed tomography in medicine. Current approaches for solving CWI problems can be divided into two categories: those rooted in traditional physics, and those based on deep learning. Physics-based methods stand out for their ability to provide high-resolution and quantitatively accurate estimates of acoustic properties within the medium. However, they can be computationally intensive and are susceptible to ill-posedness and nonconvexity typical of CWI problems. Machine learning-based computational methods have recently emerged, offering a different perspective to address these challenges. Diverse scientific communities have independently pursued the integration of deep learning in CWI. This review discusses how contemporary scientific machine-learning (ML) techniques, and deep neural networks in particular, have been developed to enhance and integrate with traditional physics-based methods for solving CWI problems.
We present a structured framework that consolidates existing research spanning multiple domains, including computational imaging, wave physics, and data science. This study concludes with important lessons learned from existing ML-based methods and identifies technical hurdles and emerging trends through a systematic analysis of the extensive literature on this topic.
Published: 2025-09-24 19:00 UTC