Buchumschlag

Contrast-Source-Based Physics-Driven Neural Network for Inverse Scattering Problems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Du, Yutong, Liu, Zicheng
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Physics-Driven Neural Network for Solving Electromagnetic Inverse Scattering Problems
von: Du, Yutong, et al.
Veröffentlicht: (2025)

Fast Physics-Driven Untrained Network for Highly Nonlinear Inverse Scattering Problems
von: Du, Yutong, et al.
Veröffentlicht: (2026)

Improved Physics-Driven Neural Network to Solve Inverse Scattering Problems
von: Du, Yutong, et al.
Veröffentlicht: (2025)

Physics-Informed Deep Contrast Source Inversion: A Unified Framework for Inverse Scattering Problems
von: Sun, Haoran, et al.
Veröffentlicht: (2025)

A Model-Guided Neural Network Method for the Inverse Scattering Problem
von: Tsang, Olivia, et al.
Veröffentlicht: (2025)

Examining the robustness of Physics-Informed Neural Networks to noise for Inverse Problems
von: Jekic, Aleksandra, et al.
Veröffentlicht: (2025)

Diffusion-Based Electromagnetic Inverse Design of Scattering Structured Media
von: Tsukerman, Mikhail, et al.
Veröffentlicht: (2025)

Uncertainties in Physics-informed Inverse Problems: The Hidden Risk in Scientific AI
von: Mototake, Yoh-ichi, et al.
Veröffentlicht: (2025)

Quality-factor inspired deep neural network solver for solving inverse scattering problems
von: Du, Yutong, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks with Fourier Features and Attention-Driven Decoding
von: Arni, Rohan, et al.
Veröffentlicht: (2025)

TAEN: A Model-Constrained Tikhonov Autoencoder Network for Forward and Inverse Problems
von: Nguyen, Hai V., et al.
Veröffentlicht: (2024)

Efficient Deconvolution in Populational Inverse Problems
von: Vadeboncoeur, Arnaud, et al.
Veröffentlicht: (2025)

PDEInvBench: A Comprehensive Dataset and Design Space Exploration of Neural Networks for PDE Inverse Problems
von: Goel, Divyam, et al.
Veröffentlicht: (2026)

Inverse Modeling of Dielectric Response in Time Domain using Physics-Informed Neural Networks
von: Esenov, Emir, et al.
Veröffentlicht: (2025)

Forward and Inverse Simulation of Pseudo-Two-Dimensional Model of Lithium-Ion Batteries Using Neural Networks
von: Lee, Myeong-Su, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Operator for Electromagnetic Inverse Scattering Problems
von: Dong, Q. C., et al.
Veröffentlicht: (2026)

A Two-Stage Imaging Framework Combining CNN and Physics-Informed Neural Networks for Full-Inverse Tomography: A Case Study in Electrical Impedance Tomography (EIT)
von: Yang, Xuanxuan, et al.
Veröffentlicht: (2024)

Multi-frequency Neural Born Iterative Method for Solving 2-D Inverse Scattering Problems
von: Liu, Daoqi, et al.
Veröffentlicht: (2024)

Projection-Based Correction for Enhancing Deep Inverse Networks
von: Bacca, Jorge
Veröffentlicht: (2025)

On the Role of Consistency Between Physics and Data in Physics-Informed Neural Networks
von: Becerra-Zuniga, Nicolás, et al.
Veröffentlicht: (2026)

Statistical Learning Analysis of Physics-Informed Neural Networks
von: Barajas-Solano, David A.
Veröffentlicht: (2026)

Evidential Physics-Informed Neural Networks for Scientific Discovery
von: Tan, Hai Siong, et al.
Veröffentlicht: (2025)

Solving the Wide-band Inverse Scattering Problem via Equivariant Neural Networks
von: Zhang, Borong, et al.
Veröffentlicht: (2022)

Physics-Driven Learning for Inverse Problems in Quantum Chromodynamics
von: Aarts, Gert, et al.
Veröffentlicht: (2025)

Neumann Series-based Neural Operator for Solving Inverse Medium Problem
von: Liu, Ziyang, et al.
Veröffentlicht: (2024)

X-MeshGraphNet: Scalable Multi-Scale Graph Neural Networks for Physics Simulation
von: Nabian, Mohammad Amin, et al.
Veröffentlicht: (2024)

Quantum Noise Tomography with Physics-Informed Neural Networks
von: Sulc, Antonin
Veröffentlicht: (2025)

Physics-Informed Neural Networks for Solving Derivative-Constrained PDEs
von: Hoshisashi, Kentaro, et al.
Veröffentlicht: (2026)

Kronecker-Factored Approximate Curvature for Physics-Informed Neural Networks
von: Dangel, Felix, et al.
Veröffentlicht: (2024)

PINGS: Physics-Informed Neural Network for Fast Generative Sampling
von: Prasha, Achmad Ardani, et al.
Veröffentlicht: (2025)

PIED: Physics-Informed Experimental Design for Inverse Problems
von: Hemachandra, Apivich, et al.
Veröffentlicht: (2025)

Residual Attention Physics-Informed Neural Networks for Robust Multiphysics Simulation of Steady-State Electrothermal Energy Systems
von: Zhou, Yuqing, et al.
Veröffentlicht: (2026)

Exact Enforcement of Temporal Continuity in Sequential Physics-Informed Neural Networks
von: Roy, Pratanu, et al.
Veröffentlicht: (2024)

Evidential Physics-Informed Neural Networks
von: Tan, Hai Siong, et al.
Veröffentlicht: (2025)

Extremization to Fine Tune Physics Informed Neural Networks for Solving Boundary Value Problems
von: Thiruthummal, Abhiram Anand, et al.
Veröffentlicht: (2024)

Bayesian Inference for PDE-based Inverse Problems using the Optimization of a Discrete Loss
von: Amoudruz, Lucas, et al.
Veröffentlicht: (2025)

Contrastive Diffusion Guidance for Spatial Inverse Problems
von: Basu, Sattwik, et al.
Veröffentlicht: (2025)

Quantum-Classical Physics-Informed Neural Networks for Solving Reservoir Seepage Equations
von: Rao, Xiang, et al.
Veröffentlicht: (2025)

Quantum Neural Physics: Solving Partial Differential Equations on Quantum Simulators using Quantum Convolutional Neural Networks
von: Zhai, Jucai, et al.
Veröffentlicht: (2026)

Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks
von: Haywood-Alexander, Marcus, et al.
Veröffentlicht: (2024)