WaveDL: A Scalable Deep Learning Framework for Wave-Based Inverse Problems

doi:10.1016/j.cpc.2026.110400

WaveDL: A Scalable Deep Learning Framework for Wave-Based Inverse Problems

2026-09-07

0

OA

AI

DOI：10.1016/j.cpc.2026.110400

原文链接

原文求助

摘要

En 中文

基于波的反演问题，通过测量波场确定材料或结构参数，是无损评价（NDE）、生物医学诊断和地球物理学的基础。对于重复查询应用，深度学习将计算任务从迭代反演转移到离线训练，实现低延迟预测，但其大规模应用仍受限于可重复性、公平架构比较、大数据集处理和稳定分布式训练等挑战。本文介绍WaveDL，一个开源Python框架，通过集成流程解决这些挑战，涵盖内存高效的数据流、包含71种适用于多目标回归的网络变体的模型库、同步多GPU训练、软物理约束惩罚以及通过开放神经网络交换（ONNX）的自动部署导出。基于PyTorch和Hugging Face Accelerate，WaveDL实现从原始数据到部署模型的完整工作流，降低领域科学家应用深度学习的门槛，无需专门机器学习专业知识。该框架使用120 GB兰姆波频散曲线数据集验证了外核训练和有限维参数反演的系统化跨架构基准测试。WaveDL可通过pip install wavedl免费安装。

Keyword:

Deep learning

Inverse problems

Wave propagation

Non-destructive evaluation

Seismic inversion

Physics-constrained learning

WaveDL: A Scalable Deep Learning Framework for Wave-Based Inverse Problems

摘要

期刊

机构