論文の概要: Solving inverse problems using conditional invertible neural networks
- arxiv url: http://arxiv.org/abs/2007.15849v2
- Date: Fri, 19 Feb 2021 02:08:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 07:14:35.939873
- Title: Solving inverse problems using conditional invertible neural networks
- Title（参考訳）: 条件付き可逆ニューラルネットワークを用いた逆問題の解法
- Authors: Govinda Anantha Padmanabha, Nicholas Zabaras
- Abstract要約: 我々は、与えられた観測結果を未知の入力フィールドに代理モデルとしてマッピングするモデルを開発する。
この逆代理モデルにより、任意のスパースおよびノイズ出力観測に対して未知の入力場を推定することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inverse modeling for computing a high-dimensional spatially-varying property
field from indirect sparse and noisy observations is a challenging problem.
This is due to the complex physical system of interest often expressed in the
form of multiscale PDEs, the high-dimensionality of the spatial property of
interest, and the incomplete and noisy nature of observations. To address these
challenges, we develop a model that maps the given observations to the unknown
input field in the form of a surrogate model. This inverse surrogate model will
then allow us to estimate the unknown input field for any given sparse and
noisy output observations. Here, the inverse mapping is limited to a broad
prior distribution of the input field with which the surrogate model is
trained. In this work, we construct a two- and three-dimensional inverse
surrogate models consisting of an invertible and a conditional neural network
trained in an end-to-end fashion with limited training data. The invertible
network is developed using a flow-based generative model. The developed inverse
surrogate model is then applied for an inversion task of a multiphase flow
problem where given the pressure and saturation observations the aim is to
recover a high-dimensional non-Gaussian permeability field where the two facies
consist of heterogeneous permeability and varying length-scales. For both the
two- and three-dimensional surrogate models, the predicted sample realizations
of the non-Gaussian permeability field are diverse with the predictive mean
being close to the ground truth even when the model is trained with limited
data.
- Abstract（参考訳）: 間接的スパースおよび雑音観測から高次元空間変動特性場を計算するための逆モデリングは難しい課題である。
これは、多スケールPDEの形でしばしば表される複雑な物理系、興味の空間的性質の高次元性、そして観測の不完全でノイズの多い性質による。
これらの課題に対処するため、サロゲートモデルを用いて、与えられた観測結果を未知の入力フィールドにマッピングするモデルを開発する。
この逆サロゲートモデルにより、任意のスパースおよびノイズのアウトプット観測に対する未知の入力フィールドを推定することができる。
ここでは、逆写像は、サロゲートモデルを訓練した入力フィールドの広い事前分布に制限される。
本研究では,インバータブルと条件付きニューラルネットワークからなる2次元および3次元逆サロゲートモデルを構築し,トレーニングデータに制限のあるエンドツーエンドで学習する。
非可逆ネットワークはフローベース生成モデルを用いて開発される。
開発した逆サロゲートモデルを用いて多相流問題の逆解析を行い, 圧力と飽和の観測から, 2つの相が不均一な透水性と長さスケールの異なる高次元非ゲージ透水性場を回復することを目的とした。
2次元および3次元サロゲートモデルともに、非ガウスの透水性場の予測サンプル実現は多様であり、モデルが限られたデータで訓練された場合でも、予測平均は地上の真実に近い。
関連論文リスト
- Latent diffusion models for parameterization and data assimilation of facies-based geomodels [0.0]
拡散モデルは、ランダムノイズを特徴とする入力場から新しい地質学的実現を生成するために訓練される。
遅延拡散モデルは、ジオモデリングソフトウェアからのサンプルと視覚的に整合した実現を提供する。
論文 参考訳（メタデータ） (2024-06-21T01:32:03Z) - Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。
我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
論文 参考訳（メタデータ） (2024-05-31T16:18:46Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-04-03T13:13:19Z) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳（メタデータ） (2023-02-14T23:50:53Z) - Variational Laplace Autoencoders [53.08170674326728]
変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。
完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。
また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
論文 参考訳（メタデータ） (2022-11-30T18:59:27Z) - Generative models and Bayesian inversion using Laplace approximation [0.3670422696827525]
近年, 生成モデルを用いて高情報化の先行問題として逆問題の解法が提案されている。
導出ベイズ推定は、生成モデルの低次元多様体を用いたアプローチとは対照的に、一貫したものであることを示す。
論文 参考訳（メタデータ） (2022-03-15T10:05:43Z) - Uncertainty quantification and inverse modeling for subsurface flow in
3D heterogeneous formations using a theory-guided convolutional
encoder-decoder network [5.018057056965207]
複数の垂直生産井を有する動的3次元地下単相流問題に対する代理モデルを構築した。
代理モデルは任意のタイミングで全体の形成を効率的に推算する。
ウェル生産率またはボトムホール圧力はピースマンの公式に基づいて決定できる。
論文 参考訳（メタデータ） (2021-11-14T10:11:46Z) - Data-driven Uncertainty Quantification in Computational Human Head
Models [0.6745502291821954]
現代の生物モデルシミュレーションは、非常に高い計算コストと高次元の入力と出力に関連付けられている。
本研究では、計算ヘッドモデルの不確実性定量化(UQ)のために、2段階のデータ駆動型学習ベースフレームワークを提案する。
代理モデルが計算モデルの高精度な近似を提供するとともに,計算コストを大幅に削減することを示した。
論文 参考訳（メタデータ） (2021-10-29T05:42:31Z) - Deep-learning-based coupled flow-geomechanics surrogate model for CO$_2$
sequestration [4.635171370680939]
3次元リカレントr-u-netモデルは、深い畳み込みとリカレントニューラルネットワークを組み合わせて、飽和、圧力、表面変位場の空間分布と時間変化を捉える。
サーロゲートモデルは、貯留層内の3D CO2飽和と圧力場、および地球の表面の2D変位マップを予測するために訓練されています。
論文 参考訳（メタデータ） (2021-05-04T07:34:15Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z)
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。