L’inversion vue comme un problème d’optimisation

Puisqu’à partir des mesures de champs diffractés, on ne peut pas directement obtenir une estimation du contraste, on considère le problème inverse comme la minimisation d’un critère permettant de réduire l’erreur entre les données mesurées et le modèle direct. En problème inverse, un critère des moindres carrés, c’est-à-dire l’erreur quadratique entre les mesures et le modèle, est souvent considéré. L’estimation du contraste correspond alors au minimiseur de ce critère qui est généralement obtenu par des algorithmes d’optimisation itératifs. S’ap- puyant sur le modèle numérique vu précédemment, deux formulations du critère ressortent fréquemment dans la littérature : une formulation bilinéaire et une formulation non-linéaire. Notons que ces formulations du critère ne sont pas réservées à une forme intégrale du modèle direct, elles peuvent être appliquées à une approche par différences finies ou éléments finis par exemple.

3.2.1 Formulation bilinéaire

On peut voir le problème inverse comme un problème d’optimisation de l’équation d’observa- tion sous la contrainte de l’équation du domaine. Il est en général plus simple de se ramener à un problème sans contrainte où la contrainte d’égalité est introduite d’une certaine façon dans le critère. La formulation bilinéaire s’appuie justement sur l’équation d’observation pour le terme d’attache aux données pénalisée par l’erreur commise sur la contrainte. Dans cette équation, aussi bien le contraste x que les champs totaux etot

i sont inconnus : on cherche alors à les estimer conjointement. Dans la formulation bilinéaire, on ne cherche pas à résoudre exac- tement les champs totaux dans l’équation du domaine ; on relâche la contrainte d’égalité sur cette équation. Dans la littérature, ces méthodes prennent le nom MGM (Modified Gradient

Berg et Kleinman, 1995). Le critère à minimiser prend la forme générique suivante : FCSI_{(x, e}tot 1 , . . . , e tot NS) = 1 2 NS X i=1 kee scat i − GoXetoti k2+ γ 2 NS X i=1 ketot i − GDXetoti − einci k2. (3.4)

Le paramètre γ permet de contrôler la pénalisation que l’on souhaite attribuer à la contrainte sur les champs totaux : plus γ est élevé, plus l’erreur sur la contrainte dans le second terme va tendre vers zéro. Il serait nécessaire d’avoir un poids γ très grand afin de s’assurer que le champ total estimé correspond bien à l’équation etot

i = L

−1

x einci . De nombreux auteurs ont proposé de faire varier γ au cours des itérations de l’algorithme d’optimisation (van den Berg et Kleinman, 1995). En revanche, Barrière et al. (2011) a montré qu’il était judicieux de fixer empiriquement la valeur de γ et de garder cette valeur au cours de la reconstruction afin d’assurer la convergence de l’algorithme d’inversion.

Ces approches bilinéaires sont fréquemment utilisées car elles ont l’avantage majeur que le critère est linéaire par rapport à x et par rapport aux champs totaux. De plus, il n’est pas nécessaire de résoudre le problème direct (inversion par Lx) ; le coût de calcul par itération est considérablement réduit. En revanche, le nombre d’inconnues est très conséquent :(NS+1)×N inconnues. A cause du nombre important d’inconnues, il est souvent nécessaire d’effectuer un grand nombre d’itérations pour converger.

Les algorithmes de reconstruction utilisant cette formulation bilinéaire du critère sont très fréquents notamment en 2-D car le nombre d’inconnues reste raisonnable (Abubakar et al., 2005; Barrière et al., 2011; van den Berg et Abubakar, 2001; Bozza et Pastorino, 2009; Gilmore et al., 2009b,a; Li et al., 2013; Mojabi et LoVetri, 2010; Ozdemir, 2014; Rubaek et al., 2011; Zakaria et LoVetri, 2012). En revanche, les méthodes d’inversion basées sur cette formulation pour des problèmes tridimensionnels sont bien plus rares. On peut tout de même en citer quelques-unes (Abubakar et van den Berg, 2004; Zhang et Liu, 2004; Catapano et al., 2006; Asefi et al., 2015).

3.2.2 Formulation non-linéaire

Contrairement à la formulation bilinéaire où la contrainte d’égalité est exprimée sous la forme d’un terme de pénalisation, la formulation non-linéaire s’appuie sur l’inclusion de cette contrainte dans le modèle direct. Cela revient donc à considérer l’équation non-linéaire (3.3). Le critère de cette formulation exprime directement l’erreur entre les données et le modèle

non-linéaire. Le critère d’adéquation aux données est alors défini par : FD_{(x) =} 1 2 NS X i=1 kee scat i − GoXL−1x einci k2 (3.5)

Les champs totaux ne sont plus des inconnues du problème, seule la fonction de contraste x en est une : le nombre d’inconnues est réduit à N . En revanche, le calcul du critère nécessite la résolution du problème direct, c’est-à-dire de la résolution des systèmes linéaires impliquant

Lx. Cela entraîne un coût de calcul conséquent à chaque itération. De plus, la forte non- linéarité du modèle direct peut engendrer la présence de multiples minima locaux et rendre la résolution du problème inverse difficile. En conclusion, le coût d’une itération du problème inverse est nettement plus important que celui pour le critère bilinéaire. En revanche, le nombre d’itérations est en général bien plus faible que pour l’approche bilinéaire puisque le nombre d’inconnues est bien plus faible.

En TMO 2-D, l’utilisation d’un critère non-linéaire a été utilisée (Roger, 1981; Chew et Wang, 1990; Remis et van den Berg, 2000; Franchois et Tijhuis, 2003; Fang et al., 2004; Hu et al., 2009). Pour des problèmes 3-D de grande taille, le fait que le nombre d’inconnues soit plus faible que pour les approches bilinéaires a incité les auteurs à se tourner davantage vers la formulation non-linéaire. Il s’agit de l’approche la plus fréquente dans la littérature ces dernières années (Harada et al., 2001; Soleimani et al., 2006; Yu et al., 2009; De Zaeytijd et Franchois, 2009; Chaumet et Belkebir, 2009; Winters et al., 2010; Grzegorczyk et al., 2012; Abubakar et al., 2012b,a; Estatico et al., 2013; Scapaticci et al., 2015). Notre choix s’est donc porté sur la formulation non-linéaire.

De nombreuses autres méthodes s’appuient sur différents critères. Ce manuscrit ne prétend pas comparer toutes ces méthodes. Nous pouvons citer tout de même les méthodes itératives basées sur des approximations du modèle direct, comme la méthode de Born itérative (Ali et Moghaddam, 2010; Zhang et Liu, 2015). Mudry et al. (2012) a proposé une méthode hybride mêlant les critères non-linéaire et bilinéaire. Des informations supplémentaires peuvent être obtenues dans Pastorino (2010).