PI-DSN：物理信息双分支神经网络解决少样本衍射测量反问题

PI-DSN（物理信息双分支神经网络）是针对精密制造领域细丝直径测量的开源项目，核心创新在于仅需8-10个真实测量样本即可解决衍射测量反问题。该方法融合物理先验知识与数据驱动学习，具备跨样本泛化能力，适用于样本稀缺的工业场景，为物理反问题求解提供了实用范式。

衍射测量技术通过分析夫琅禾费衍射图案反推细丝直径，是典型物理反问题，但面临三大挑战：参数耦合（多物理参数相互影响）、仿真-实测差异（结构性偏差）、样本稀缺（高质量真实样本成本高）。传统深度学习需大量标注样本，难以满足工业需求。

PI-DSN采用双分支架构：

1. 数据驱动分支：从衍射图案学习统计特征
2. 物理约束分支：嵌入夫琅禾费衍射方程，确保结果符合光学原理

针对样本稀缺问题，提出**测量引导数据增强(MDGA)**策略：基于少量真实样本生成仿真图案，通过拉丁超立方采样覆盖直径范围，利用真实样本统计特性调整仿真数据，缩小域差距。

1. 粗粒度拟合：用MATLAB差分进化算法从FFT频谱提取初始直径估计
2. 仿真样本库构建：基于初始估计进行拉丁超立方采样，生成带标签的仿真衍射图案
3. 网络训练：加载仿真样本，采用自适应损失权重策略引入物理约束
4. 无标签检查点选择：通过指数移动平均(EMA)监测预测稳定性，自动选择最优模型

PI-DSN展现强泛化能力：在FIL001细丝训练的模型可直接应用于FIL002，无需重训；在75mm和120mm焦距下均保持稳定精度，验证对光学系统参数变化的鲁棒性。

项目工程成熟度高：

• 环境配置：支持conda/pip，兼容多平台
• 路径管理：通过环境变量灵活配置，避免硬编码
• 自动化工具：含路径验证与修复脚本
• 预训练权重：提供EMA检查点，可直接推理
• 论文复现：提供完整图表复现脚本（FFT基线、参数耦合可视化等）

PI-DSN的思路可推广到材料表征、光学检测、无损探伤等物理反问题领域。其核心启示：高质量物理先验知识可显著降低数据需求，物理引导学习在标注成本高的场景更具实用价值。

PI-DSN代表机器学习与物理建模融合的前沿方向，证明物理先验对少样本学习的关键作用。该项目提供完整代码与实验流程，是精密测量、光学工程及物理信息神经网络研究者的优质开源资源。