論文の概要: Unsupervised Learning of Full-Waveform Inversion: Connecting CNN and Partial Differential Equation in a Loop

• arxiv url: http://arxiv.org/abs/2110.07584v1
• Date: Thu, 14 Oct 2021 17:47:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-15 16:05:22.087037
• Title: Unsupervised Learning of Full-Waveform Inversion: Connecting CNN and Partial Differential Equation in a Loop
• Title（参考訳）: フルウェーブフォーム逆変換の教師なし学習:CNNとループ部分微分方程式を接続する
• Authors: Peng Jin, Xitong Zhang, Yinpeng Chen, Sharon Xiaolei Huang, Zicheng Liu, Youzuo Lin
• Abstract要約: フルウェーブフォーム・インバージョン(FWI)は、地震データから地下の速度マップを推定するために地球物理学で広く用いられている。 我々は、コミュニティにとってより困難なベンチマークを確立するために、新しい大規模データセットOpenFWIを紹介します。 実験結果から,我々のモデル(地震データのみを用いた)は,教師付きモデルと同等の精度が得られることがわかった。
• 参考スコア（独自算出の注目度）: 13.1144828613672
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates unsupervised learning of Full-Waveform Inversion (FWI), which has been widely used in geophysics to estimate subsurface velocity maps from seismic data. This problem is mathematically formulated by a second order partial differential equation (PDE), but is hard to solve. Moreover, acquiring velocity map is extremely expensive, making it impractical to scale up a supervised approach to train the mapping from seismic data to velocity maps with convolutional neural networks (CNN). We address these difficulties by integrating PDE and CNN in a loop, thus shifting the paradigm to unsupervised learning that only requires seismic data. In particular, we use finite difference to approximate the forward modeling of PDE as a differentiable operator (from velocity map to seismic data) and model its inversion by CNN (from seismic data to velocity map). Hence, we transform the supervised inversion task into an unsupervised seismic data reconstruction task. We also introduce a new large-scale dataset OpenFWI, to establish a more challenging benchmark for the community. Experiment results show that our model (using seismic data alone) yields comparable accuracy to the supervised counterpart (using both seismic data and velocity map). Furthermore, it outperforms the supervised model when involving more seismic data.
• Abstract（参考訳）: 本稿では,地震データから地下速度マップを推定するために,地球物理学において広く用いられているフルウェーブフォームインバージョン(fwi)の教師なし学習について検討する。 この問題は2階偏微分方程式(PDE)によって数学的に定式化されているが、解くのは難しい。 さらに、速度マップの取得は非常に高価であり、地震データから畳み込みニューラルネットワーク(CNN)を用いた速度マップへのマッピングをトレーニングするための教師ありアプローチのスケールアップは不可能である。 我々は,pde と cnn をループに統合し,地震データのみを必要とする教師なし学習にパラダイムをシフトすることで,これらの課題に対処する。 特に,(速度マップから地震データまで)微分可能作用素としてのpdeの前方モデリングを近似し,cnn(地震データから速度マップまで)による反転をモデル化するために有限差分を用いる。 そこで,教師あり逆タスクを教師なしの地震データ復元タスクに変換する。 また、コミュニティにとってより困難なベンチマークを確立するために、新しい大規模データセットOpenFWIも導入しました。 実験の結果,(地震データのみを用いた)モデルが,(地震データと速度マップの両方を用いて)教師付きモデルに匹敵する精度を示すことがわかった。 さらに、より多くの地震データを含む場合、教師付きモデルを上回る。

関連論文リスト

• SeisFusion: Constrained Diffusion Model with Input Guidance for 3D Seismic Data Interpolation and Reconstruction [26.02191880837226]
  本研究では3次元地震データに適した新しい拡散モデル再構成フレームワークを提案する。 拡散モデルに3次元ニューラルネットワークアーキテクチャを導入し、2次元拡散モデルを3次元空間に拡張することに成功した。 本手法は、フィールドデータセットと合成データセットの両方に適用した場合、より優れた再構成精度を示す。
  論文  参考訳（メタデータ） (2024-03-18T05:10:13Z)
• A Physics-guided Generative AI Toolkit for Geophysical Monitoring [13.986582633154226]
  フルウェーブフォーム・インバージョン(FWI)は地下探査において重要な役割を担っている。 物理原理で導かれる拡散モデルを用いて高忠実度速度マップを生成するEdGeoツールキットを提案する。
  論文  参考訳（メタデータ） (2024-01-06T06:09:05Z)
• Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
  我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。 本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。 その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-14T23:53:25Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• 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)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• An Intriguing Property of Geophysics Inversion [21.43509030627468]
  インバージョン技術は、地下の物理的特性の再構築に広く用いられている。 問題は波動やマクスウェル方程式のような偏微分方程式(PDE)によって制御される。 近年の研究では、深層ニューラルネットワークを用いて、地球物理学的な測定から地球物理学的な性質への逆写像を学習している。
  論文  参考訳（メタデータ） (2022-04-28T18:25:36Z)
• Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
  Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
  論文  参考訳（メタデータ） (2022-03-11T09:46:22Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
  交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。 このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。 本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
  論文  参考訳（メタデータ） (2021-05-21T00:08:06Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)

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。