阅读文献：

A More General Electromagnetic Inverse Scattering Method Based on Physics-Informed Neural Network

发表时间：2023

摘要：

基于物理知情神经网络（PINN）的假定框架，开发了一种求解逆问题的无监督深度学习方法，该方法具有精度高、效率高和通用性强的特点。

在考虑多频反演的情况下，引入频率标度因子来解决网络训练过程中不同频率项和梯度爆炸带来的标度差问题。此外，为了提高效率和准确性，提出了一种动态采样策略。通过四个数值算例和一个实验算例验证了该方法的有效性。

反演结果表明，所提出的PINN方法具有良好的精度、有效性和通用性，特别是对于电性大、对比度高的散射体。此外，该方法对噪声具有良好的鲁棒性。与传统的数据驱动的深度学习方法相比，该方法是有效的，因为它以无监督的方式运行，并且在不同的反演任务中表现出良好的泛化能力。与传统的定量逆散射算法相比，该方法在处理对比度极高或体积较大的目标时可以克服其局限性。总的来说，与传统的深度学习方法相比，所提出的PINN不仅继承了高的反演质量，而且比传统的逆散射方法具有更好的通用性。

索引术语——深度学习(Deep learning)、电磁逆散射(electromagnetic inverse scattering)、全波反演(full-wave inversion)、物理信息神经网络（PINN）。