基于偏微分方程的声波神经网络.pdfVIP

基于偏微分方程的声波神经网络

摘要：神经网络是一种重要的机器学习算法，在地球物理学等领域的应用得到了迅速发展，这主要得益于其在数据建模、

信号处理和图像识别等方面的强大能力.

然而，神经网络的数学基础和物理解释仍然十分不足，模型内部复杂性使得难以解

释其决策过程，限制了神经网络的进一步发展.

利用数学和物理方法解释神经网络的行为仍然是一个具有挑战性的任务.

本文

目标是从声波偏微分方程和有限差分方法出发设计一个声波神经网络结构，该方法将一阶声波方程转化为基于有限差分的离

散化声波方程，声波方程有限差分格式与神经网络传播函数具有近似的数学表达形式，可以构建一种基于声波传播物理模型

的神经网络.

声波神经网络的主要特点是：（1）具有压力-速度耦合结构和层间跳跃连接的神经网络；（2）主变量-伴随变量

双流网络结构改善了训练中的梯度消失问题.

从声波偏微分方程和有限差分算法出发建立的声波神经网络具有良好数学基础

和清晰的物理解释，为在数学和物理方法框架内提高网络性能提供了可行性.

数值计算结果表明，声波神经网络在CIFAR-

10和CIFAR-100数据集的图像分类任务中性能有明显提升，优于传统残差神经网络.

偏微分方程神经网络建模方法可以应用

于许多其他类型的数学物理方程，并为深度神经网络算法提供数学和物理解释.

关键词：可解释神经网络；声波方程；伴随变量法；双流网络

Soundwaveneuralnetworkbasedonpartialdifferentialequation

Abstract:

Applications

of

neural

network

algorithms

in

rock

physics

have

developed

rapidly

developed,

mainly

due

to

the

neural

networks

powerful

abilities

in

data

modeling,

signal

processing,

and

image

recognition.

However,

mathematical

and

physical

explanations

of

neural

networks

remain

limited,

which

makes

it

difficult

to

understand

the

behavior

and

mechanism

of

neural

networks

and

limits

their

further

development.

Using

mathemati-

cal

and

physical

methods

to

explain

the

behavior

of

neural

networks

remains

a

challenging

task.

The

goal

of

this

study

was

to

design

a

sound

wave

neural

network

(SWNN)

structure

based

on

sound

wave

partial

differential

equa-

tions

and

finite

difference

methods.

The

method

transforms

the

first-order

sound

equations

into

the

frequency

do-

main

and

discretizes

them

using

a

central

difference

scheme.

The

differential

formula

takes

the

same

form

as

the

收稿日期：2023−03−28；录用日期：2023−05−26

•

258

•地球与行星物理论评（中英文）2024

年

propagation

function

of

a

neural

network,

enabling

the

construction

of

a

sound

wave

neural

network.

The

main

fea-

tures

of

the

SWNN

are

(1)

a

neural

network

with

explicitly

coupled

pressure-velocity

streams

and

inter-layer

con-

nections

and

(2)

an

adjoint