Vågavbildning med fysikbaserad AI
- Diarienummer
- SM25-0026
- Projektledare
- Lindmaa (PhD, MSc), Alexander
- Start- och slutdatum
- 260101-271231
- Beviljat belopp
- 1 025 440 kr
- Förvaltande organisation
- Saab AB
- Forskningsområde
- Beräkningvetenskap och tillämpad matematik
Summary
Vårt mål är att utveckla fysikbaserade AI-metoder för data-drivna, inversa vågspridningsproblem. Problemet består i att återskapa information om objekt (gömd signal) ur en scen, baserat på tomografisk data som härrör från syntetiska apertur- radar/sonar (SAR/SAS). Ett problem är undersampling vilket begränsar prestanda. Då tillämpningarna ofta är tidskritiska, blir klassiska metoder som utvecklats för andra tomografiska modaliteter alltför beräkningstunga. Istället kommer vi att utveckla domänanpassade fysikbaserade AI-modeller och tillhandahålla djupa neuronnät från vetenskaplig maskininlärning som innehåller differentierbara (ML-integrerbara) simulatorer för SAR/SAS Projektet inriktar sig på tekniska utmaningar som medföljer datadrivna metoder, och involverar nya fysikbaserade modeller baserade på djupinlärning. Projektplan: WP1 Utveckla hög-optimerade HPC-bibliotek för simulering av realistisk data från vågspridning WP2 Utveckla mjukvarukedja för simulering av vågspridning. Dataplattform som krävs behövs för att träna/testa/utvärdera AI-modeller för SAR/SAS-avbildning WP3 Utveckla teori för, och implementering av algoritmer för olika DL-baserade rekonstruktionsalgoritmer WP4 Ta fram protokoll för att bedöma och jämföra prestanda för rekonstruktionsmetoder för vågavbildning Resultat: ML-integrerbar simulator för elektromagnetisk vågspridning Dataplattform för vågavbildning AI-modeller för rekonstruktion inom radar/sonar-avbildning
Populärvetenskaplig beskrivning
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.