論文の概要: Data-driven geophysics: from dictionary learning to deep learning
- arxiv url: http://arxiv.org/abs/2007.06183v2
- Date: Tue, 29 Sep 2020 04:12:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 00:52:44.613794
- Title: Data-driven geophysics: from dictionary learning to deep learning
- Title（参考訳）: データ駆動型物理:辞書学習から深層学習へ
- Authors: Siwei Yu and Jianwei Ma
- Abstract要約: 物理の「モデル駆動」アプローチは次元の呪いに悩まされ、地下を不正確にモデル化する可能性がある。
データ駆動型」技術は、地球物理データの増加によってこれらの問題を克服する可能性がある。
- 参考スコア（独自算出の注目度）: 3.6713387874278247
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding the principles of geophysical phenomena is an essential and
challenging task. "Model-driven" approaches have supported the development of
geophysics for a long time; however, such methods suffer from the curse of
dimensionality and may inaccurately model the subsurface. "Data-driven"
techniques may overcome these issues with increasingly available geophysical
data. In this article, we review the basic concepts of and recent advances in
data-driven approaches from dictionary learning to deep learning in a variety
of geophysical scenarios. Explorational geophysics including data processing,
inversion and interpretation will be mainly focused. Artificial intelligence
applications on geoscience involving deep Earth, earthquake, water resource,
atmospheric science, satellite remoe sensing and space sciences are also
reviewed. We present a coding tutorial and a summary of tips for beginners and
interested geophysical readers to rapidly explore deep learning. Some promising
directions are provided for future research involving deep learning in
geophysics, such as unsupervised learning, transfer learning, multimodal deep
learning, federated learning, uncertainty estimation, and activate learning.
- Abstract（参考訳）: 物理現象の原理を理解することは不可欠な課題である。
モデル駆動」アプローチは長い間地球物理学の発展を支えてきたが、そのような手法は次元の呪いに苦しめられ、不正確に地下面をモデル化する可能性がある。
データ駆動技術は、ますます利用可能な物理データによってこれらの問題を克服する可能性がある。
本稿では,様々な物理シナリオにおける辞書学習から深層学習まで,データ駆動アプローチの基本概念と最近の進歩について概説する。
データ処理、反転、解釈を含む探査地球物理学は主に焦点が当てられる。
深海、地震、水資源、大気科学、衛星リモートセンシング、宇宙科学を含む地球科学の人工知能応用についても概説する。
深層学習を迅速に探求するためのコーディングチュートリアルと,初心者と興味ある物理読者のためのヒントの要約を紹介する。
教師なし学習、転送学習、マルチモーダル深層学習、連合学習、不確実性推定、学習の活性化など、地球物理学における深層学習を含む将来の研究に有望な方向が提供されている。
関連論文リスト
- Self-supervised Learning for Geospatial AI: A Survey [21.504978593542354]
自己教師付き学習(SSL)は地理空間データに採用されていることで注目を集めている。
本稿では,地理空間ベクトルデータで広く用いられている3種類の一次データ(幾何学)に対して,SSL技術の適用および開発に関する包括的かつ最新の調査を行う。
論文 参考訳（メタデータ） (2024-08-22T05:28:22Z) - GeoReasoner: Reasoning On Geospatially Grounded Context For Natural Language Understanding [0.32885740436059047]
GeoReasonerは、地理的に接地された自然言語を推論できる言語モデルである。
まず、Large Language Modelsを利用して、言語推論と距離情報に基づく総合的な位置記述を生成する。
また、方向と距離の情報を擬似文として扱うことで空間埋め込みに符号化する。
論文 参考訳（メタデータ） (2024-08-21T06:35:21Z) - GeoGalactica: A Scientific Large Language Model in Geoscience [95.15911521220052]
大規模言語モデル(LLM)は、自然言語処理(NLP)における幅広いタスクを解く一般的な知識と能力で大きな成功を収めている。
我々は、LLMを地学に特化させ、さらに、地学の膨大なテキストでモデルを事前訓練し、また、カスタム収集した指導チューニングデータセットで得られたモデルを教師付き微調整(SFT)する。
我々はGeoGalacticaを65億のトークンを含む地球科学関連のテキストコーパスで訓練し、最大の地球科学固有のテキストコーパスとして保存する。
次に、100万対の命令チューニングでモデルを微調整する。
論文 参考訳（メタデータ） (2023-12-31T09:22:54Z) - Pathway to a fully data-driven geotechnics: lessons from materials
informatics [1.2172320168050468]
本稿では,データ駆動手法をジオテクニクスに統合する上での課題と機会について述べる。
深層学習の変換力を活用することで、より協調的で革新的な地学分野へのパラダイムシフトを構想する。
論文 参考訳（メタデータ） (2023-12-01T13:45:42Z) - GeoGLUE: A GeoGraphic Language Understanding Evaluation Benchmark [56.08664336835741]
我々はGeoGLUEと呼ばれるGeoGraphic Language Understanding Evaluationベンチマークを提案する。
オープンソースの地理資源からデータを収集し、6つの自然言語理解タスクを導入する。
我々は,GeoGLUEベンチマークの有効性と意義を示す一般ベースラインの評価実験と解析を行った。
論文 参考訳（メタデータ） (2023-05-11T03:21:56Z) - Shared Data and Algorithms for Deep Learning in Fundamental Physics [4.914920952758052]
我々は、素粒子物理学、天体物理学、ハドロン物理学、核物理学を含む基礎物理学研究のデータセットの収集を紹介する。
これらのデータセットは、トップクォーク、宇宙線による大気シャワー、ハドロン物質の相転移、およびジェネレータレベルの履歴を含む。
我々は、広範囲の教師付き学習タスクに容易に適用可能な、単純で柔軟なグラフベースのニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-07-01T18:00:00Z) - Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。
このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。
CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
論文 参考訳（メタデータ） (2021-04-27T21:09:51Z) - Applications of physics-informed scientific machine learning in
subsurface science: A survey [64.0476282000118]
地球系は、化石エネルギー探査、廃棄物処理、地質炭素隔離、再生可能エネルギー生成などの人間の活動によって変化した地質形成です。
したがって、ジオシステムの責任ある使用と探索は、効率的な監視、リスクアセスメント、および実用的な実装のための意思決定支援ツールに依存するジオシステムガバナンスにとって重要です。
近年の機械学習アルゴリズムと新しいセンシング技術の急速な進歩は、地下研究コミュニティがジオシステムガバナンスの有効性と透明性を向上させる新しい機会を提示しています。
論文 参考訳（メタデータ） (2021-04-10T13:40:22Z) - A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence [48.67755344239951]
包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
論文 参考訳（メタデータ） (2020-06-22T19:01:21Z) - 70 years of machine learning in geoscience in review [0.0]
本稿では,地球科学における機械学習の展開について概観する。
地学におけるニューラルネットワークの主流となる機械学習手法への移行と歴史的応用について検討する。
論文 参考訳（メタデータ） (2020-06-16T16:32:27Z) - A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。
このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
論文 参考訳（メタデータ） (2020-06-05T08:04:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。