Differentiation Strategies for Acoustic Inverse Problems: Admittance Estimation and Shape Optimization

📄 arXiv: 2511.11415v1 📥 PDF

作者: Nikolas Borrel-Jensen, Josiah Bjorgaard

分类: cs.LG, cs.CE, physics.comp-ph

发布日期: 2025-11-14

备注: 4 pages, 2 figures

💡 一句话要点

提出基于可微编程的声学反问题求解策略，用于导纳估计和形状优化。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 声学反问题 可微编程 自动微分 形状优化 有限元方法 导纳估计 共振阻尼

📋 核心要点

  1. 传统声学反问题求解依赖手动推导伴随方程，过程繁琐且易出错，限制了快速原型设计。
  2. 论文提出利用JAX-FEM的自动微分进行参数估计，并结合随机有限差分和AD进行几何优化，简化流程。
  3. 实验表明，该方法在导纳估计中达到3位数精度，在形状优化中能量降低48.1%，FEM求解次数减少30倍。

📝 摘要（中文）

本文展示了一种实用的可微编程方法来解决声学反问题，并通过两个应用进行验证：导纳估计和共振阻尼的形状优化。首先，我们证明了JAX-FEM的自动微分(AD)能够直接基于稀疏压力测量进行复边界导纳的梯度估计，无需手动推导伴随方程即可实现3位数的精度。其次，我们将随机有限差分应用于声学形状优化，结合JAX-FEM进行正向模拟，并利用PyTorch3D通过AD进行网格操作。通过将物理驱动的边界优化与几何驱动的内部网格自适应分离，与在完整网格上进行标准有限差分相比，我们在目标频率下实现了48.1%的能量降低，同时FEM求解次数减少了30倍。这项工作展示了现代可微软件栈如何能够快速构建基于物理的反问题优化工作流程，利用自动微分进行参数估计，并结合有限差分和AD进行几何设计。

🔬 方法详解

问题定义：论文旨在解决声学反问题，具体包括两个方面：一是根据稀疏的压力测量数据估计复杂边界的导纳；二是优化结构的形状以实现共振阻尼。现有方法，特别是传统的有限差分方法，在处理这类问题时，需要手动推导伴随方程，计算复杂度高，且容易出错。此外，对于形状优化问题，直接在整个网格上进行有限差分计算量巨大，效率低下。

核心思路：论文的核心思路是利用可微编程的思想，结合自动微分和有限差分方法，构建高效的声学反问题求解框架。对于导纳估计，直接利用JAX-FEM的自动微分功能，避免手动推导伴随方程。对于形状优化，将物理驱动的边界优化与几何驱动的内部网格自适应分离，降低计算复杂度。

技术框架：整体框架包含两个主要部分：导纳估计和形状优化。导纳估计部分，使用JAX-FEM进行正向声学模拟，然后利用自动微分计算损失函数关于导纳参数的梯度，最后使用梯度下降法进行优化。形状优化部分，首先使用JAX-FEM进行正向声学模拟，然后使用随机有限差分计算损失函数关于边界形状参数的梯度，利用PyTorch3D进行网格操作，最后使用梯度下降法进行优化。

关键创新：论文的关键创新在于将可微编程的思想引入到声学反问题求解中，并结合自动微分和有限差分方法，构建了高效的求解框架。与传统方法相比，该方法无需手动推导伴随方程，降低了计算复杂度，提高了求解效率。此外，将物理驱动的边界优化与几何驱动的内部网格自适应分离，进一步降低了计算量。

关键设计：在导纳估计中，损失函数通常选择测量压力与模拟压力之间的差异。在形状优化中，损失函数通常选择目标频率下的能量。随机有限差分通过随机选取扰动方向来估计梯度，降低了计算量。JAX-FEM提供自动微分功能，简化了梯度计算过程。PyTorch3D用于网格操作，方便进行形状优化。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过实验验证了所提出方法的有效性。在导纳估计中，该方法能够以3位数的精度估计复边界导纳，无需手动推导伴随方程。在形状优化中，该方法能够在目标频率下实现48.1%的能量降低，同时FEM求解次数减少了30倍，显著提高了计算效率。

🎯 应用场景

该研究具有广泛的应用前景，例如在声学器件设计、噪声控制、水声通信等领域。通过优化扬声器或消声器的形状，可以提高其性能。通过估计材料的声学特性，可以更好地理解声学现象。该方法还可以应用于医学成像等领域，具有重要的实际价值和未来影响。

📄 摘要（原文）

We demonstrate a practical differentiable programming approach for acoustic inverse problems through two applications: admittance estimation and shape optimization for resonance damping. First, we show that JAX-FEM's automatic differentiation (AD) enables direct gradient-based estimation of complex boundary admittance from sparse pressure measurements, achieving 3-digit precision without requiring manual derivation of adjoint equations. Second, we apply randomized finite differences to acoustic shape optimization, combining JAX-FEM for forward simulation with PyTorch3D for mesh manipulation through AD. By separating physics-driven boundary optimization from geometry-driven interior mesh adaptation, we achieve 48.1% energy reduction at target frequencies with 30-fold fewer FEM solutions compared to standard finite difference on the full mesh. This work showcases how modern differentiable software stacks enable rapid prototyping of optimization workflows for physics-based inverse problems, with automatic differentiation for parameter estimation and a combination of finite differences and AD for geometric design.