Wave Imaging with Physics-Informed AI
- Reference number
- SM25-0026
- Project leader
- Lindmaa (PhD, MSc), Alexander
- Start and end dates
- 260101-271231
- Amount granted
- 1 025 440 SEK
- Administrative organization
- Saab AB
- Research area
- Computational Sciences and Applied Mathematics
Summary
Inverse problems reconstruct hidden information from indirect measurements. Our aim is to develop physics informed AI methods for inverse wave scattering, of critical importance to object detection and situational awareness. Our main focus is on wave imaging in the context of synthetic aperture radar/sonar (SAR/SAS). The time-critical nature of these applications hinders the use of classical methods. Moreover, ill-posedness causes inverse problems to have unstable solutions that change dramatically with small data perturbations. To meet these challenges, we will put forth domain-adapted AI models and provide deep neural networks (DNNs) from scientific machine learning (SciML) that incorporate differentiable (ML-compatible) simulators for SAR/SAS. This involves developing novel deep learning (DL) methods based on SciML that incorporate handcrafted propagation models. While we focus on SAR/SAS, our proposed framework can principally be applied to a broader class of problems with similar mathematical structure. Work plan: WP1 Develop highly optimised high-performance computing libraries enabling realistic wave scattering simulations WP2 Provide a software pipeline for SAR/SAS simulations, along with a data repository to train/test/evaluate AI models for wave imaging WP3 Provide theory and implementation of algorithms for various DL based reconstruction in SAR/SAS imaging WP4 Provide protocol(s) for assessing and comparing performance of imaging reconstruction methods
Popular science description
Vår ständigt ökande förmåga att inhämta och tolka sensordata förändrar snabbt landskapet kring teknik, grundvetenskap, medicin och nationell säkerhet. Denna utveckling påverkar även metoder för aktiv/passiv sensor-inmätning, som görs rutinmässigt med hjälp av exempelvis radar och sonar, vars huvuduppgifter är att upptäcka och följa objekt, ofta i syfte att skapa en lägesbild för bland annat ökad situationsmedvetenhet. Inmätta data från exempelvis elektromagnetiska vågor är ofta otillräckligt samplade, samt är korrumperade av brus. Att rekonstruera den relevanta information i data som krävs för att utföra ovan nämnda uppgifter är också en i sig en matematiskt instabil (dvs. icke-robust) matematisk process, som måste hanteras på något tillförlitligt sätt. Vi föreslår att man gör detta genom att kombinera behovet av överensstämmelse mot uppmätt data (med hjälp av en så kallad framåt-modell) med en mekanism för att straffa "onaturliga" lösningar (så kallade 'priors'). Utmaningen blir därför att utveckla rekonstruktionsmetoder för dylika inversa spridningsproblem, där bättre prestanda kan uppnås, samtidigt som de är beräkningsmässigt genomförbara. Detta då många tillämpningar ofta är tidskritiska. Så kallade "handgjorda priors" är priors som (i) antingen är beräkningsmässig opraktiska att använda fullt ut, eller (ii) är alltför förenklade och där det dessutom saknas tillräcklig träningsdata. I projektet använder vi istället ett tillvägagångssätt; en hybridlösning, som bygger på vetenskaplig maskininlärning (SciML) där man istället lär sig en prior-modell men där framåt-modellen tas fram för hand. Sådana fysik-medvetna AI-modeller har visat lovande prestanda inom flera områden och många ledande forskare inom beräkningsvetenskap och tillämpad matematik argumenterar för att denna approach kommer förändra tillämpad matematisk vetenskap i grunden. Vi kommer att luta oss mot moderna teorier och metoder inom statistisk maskininlärning, numerisk analys, och högprestandaberäkningar för att utveckla nya metoder för storskalig lösning inversa spridningsproblem.