多功能声学全息图的端到端设计通过异构的物理约束

科学领域:

• 声学物理学的声学物理学
• 生物医学工程 生物医学工程
• 深度学习是一种深度学习.

背景情况:

• 传统的单相声全息设计方法面临性能差距,因为忽视了复杂的波物理和组织扭曲.
• 现有的方法在创建多功能设备和实现现实世界的忠实性方面扎.

研究的目的:

• 引入一种新的深度学习框架,即端到端异质物理约束 (E2E-HPC),用于设计物理可实现的声学全息图.
• 弥合理论声场预测和物理实施之间的差距,特别是复杂的生物医学场景.
• 为了实现能够同时进行多平面聚焦和动态模式切换的多功能声学全息图.

主要方法:

• 开发了E2E-HPC框架,这是一个直接设计物理全息结构的深度学习范式.
• 集成的可分辨模型,考虑内部全息声学和波浪传播通过异质介质 (例如,头骨).
• 验证了框架提高声学模式真实性的能力,并实现多功能控制.

主要成果:

• 与传统方法相比,在峰值信号与噪声比率 (PSNR) 中实现了超过6dB的改进.
• 恢复了在物理实现期间丢失的约16%的相关性忠实度.
• 通过频率调制演示了一种单个全息图,用于同时进行多平面聚焦和实时通过频率调制切换热模式.

结论:

• E2E-HPC框架显著提高了用于生物医学应用的声学全息图的可靠性和功能.
• 这种受物理限制的深度学习方法克服了传统阶段式方法的局限性.
• 建立了一个强大的平台,用于设计物理可实现的,多功能声学全息图,用于先进的治疗和操纵任务.