Honghui Du

在非均匀介质中，要让波场在指定时刻呈现给定形状，需要反推初始压力分布，而此前每个目标、每种介质都要重新做一次数值反演。JAX-WAVE 训练一个共享神经网络，直接由目标终端场和已知波速图预测有界初始压力，训练信号来自可微的时域有限差分解算器，不需要预先优化好的控制标签。在独立的确认集上，三个训练模型对未见介质分别取得几何目标 25.24%、可达目标 4.77% 的误差；在 5 毫秒中位在线预算下，该映射把非均匀基准上的平均误差相对加速数值反演降低 45%。

在非均匀介质中，要让波场在指定时刻呈现给定形状，需要反推初始压力分布，而此前每个目标、每种介质都要重新做一次数值反演。JAX-WAVE 训练一个共享神经网络，直接由目标终端场和已知波速图预测有界初始压力，训练信号来自可微的时域有限差分解算器，不需要预先优化好的控制标签。在独立的确认集上，三个训练模型对未见介质分别取得几何目标 25.24%、可达目标 4.77% 的误差；在 5 毫秒中位在线预算下，该映射把非均匀基准上的平均误差相对加速数值反演降低 45%。