异质介质中超声波传播的神经代理建模

基于摘要分析。该研究针对高频超声在异质介质中的波传播，提出将 Fourier Neural Operators（FNO）和局部积分重采样融入 U-Net 的神经代理模型，旨在兼顾局部波场特征与跨空间尺度的信息传递，为高效自回归模拟及潜在逆问题求解提供支持。 核心机制与对照：作者报告，所考察的 FNO 类方法难以捕捉反射等关键信号特征；U-Net 类方法能够较好学习波场，但跨空间尺度的信息传递能力不足。新方法通过在 U-Net 中整合 FNO 与局部积分重采样，尝试结合两类方法的优势。摘要未给出模块连接方式、重采样定义、损失函数或自回归训练与推理细节，尚不能判断各模块的独立贡献。 结果与证据边界：作者报告，该模型可利用有限数据训练，预测对输入噪声具有鲁棒性，并能跨空间尺度工作。但摘要未提供数据来源、介质设置、训练与测试划分、尺度变化范围、噪声类型、误差指标或计算加速数据；实验协议、消融及统计信息尚未验证。其能否改善长时自回归稳定性，以及对未见介质的泛化能力，也需核对全文。 与 BCI 的关系：原论文的主要对象是超声物理波场，而非 EEG 解码或 BCI。摘要所述跨空间尺度建模不能直接等同于跨被试、跨会话或跨通道泛化；目前没有足够具体的机制对应来提出 EEG 迁移方案，已有 EEG 相关工作尚未检索确认。