論文の概要: Exploring Multi-physics with Extremely Weak Supervision

• arxiv url: http://arxiv.org/abs/2202.01770v1
• Date: Thu, 3 Feb 2022 18:55:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-04 15:33:32.485582
• Title: Exploring Multi-physics with Extremely Weak Supervision
• Title（参考訳）: 極弱スーパービジョンによる多物理探査
• Authors: Shihang Feng, Peng Jin, Yinpeng Chen, Xitong Zhang, Zicheng Liu, Youzuo Lin
• Abstract要約: 我々は,データ駆動型多物理インバージョン手法を極端に弱い監督力で開発する。 我々の重要な発見は、擬似ラベルは、非常に狭い場所で物理特性間の局所的な関係を学習することで構築できるということである。 この結果から、明示的な支配方程式を使わずに特性を逆転させることができることが示唆された。
• 参考スコア（独自算出の注目度）: 23.421788453790302
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-physical inversion plays a critical role in geophysics. It has been widely used to infer various physical properties (such as velocity and conductivity), simultaneously. Among those inversion problems, some are explicitly governed by partial differential equations (PDEs), while others are not. Without explicit governing equations, conventional multi-physical inversion techniques will not be feasible and data-driven inversion require expensive full labels. To overcome this issue, we develop a new data-driven multi-physics inversion technique with extremely weak supervision. Our key finding is that the pseudo labels can be constructed by learning the local relationship among geophysical properties at very sparse locations. We explore a multi-physics inversion problem from two distinct measurements (seismic and EM data) to three geophysical properties (velocity, conductivity, and CO$_2$ saturation). Our results show that we are able to invert for properties without explicit governing equations. Moreover, the label data on three geophysical properties can be significantly reduced by 50 times (from 100 down to only 2 locations).
• Abstract（参考訳）: マルチフィジカルインバージョンは、地球物理学において重要な役割を果たす。 様々な物理的特性(速度や伝導率など)を同時に推定するために広く用いられている。 これらの逆問題のうち、いくつかは偏微分方程式(PDE)によって明示的に支配されるが、他の問題はそうではない。 明示的な支配方程式がなければ、従来の多物理反転技術は実現不可能であり、データ駆動反転には高価な完全なラベルが必要である。 この問題を克服するため,我々は,データ駆動型マルチフィジカルインバージョン技術を開発した。 我々の重要な発見は、擬似ラベルは、非常に狭い場所で物理特性間の局所的な関係を学習することで構築できるということである。 本研究では,2つの異なる測定値(地震データ,emデータ)から3つの物理特性(速度,導電率,co$_2$飽和)への多元的インバージョン問題を検討する。 この結果から, 明示的な支配方程式を使わずに特性を逆転できることがわかった。 さらに、3つの物理特性に関するラベルデータは、50倍(100から2箇所まで)に減少させることができる。

関連論文リスト

• Network scaling and scale-driven loss balancing for intelligent poroelastography [2.665036498336221]
  フルウェーブフォームデータからポリ弾性媒体のマルチスケールキャラクタリゼーションのためのディープラーニングフレームワークを開発した。 2つの大きな課題は、この目的のために既存の最先端技術を直接適用することを妨げる。 本稿では, ニューラルネットワークをスケーリング層に構成した単位形状関数を用いて, ニューラルプロパティマップを構築する, エンフェネティックスケーリングの考え方を提案する。
  論文  参考訳（メタデータ） (2024-10-27T23:06:29Z)
• On a Hidden Property in Computational Imaging [22.665280793360274]
  本稿では,3つの逆問題 (FWI, CT, EM) が潜在空間内に隠れた性質を共有していることを示す。 このことは、潜在埋め込み空間に射影した後、2つのモジュラリティが同じ方程式の異なる解に対応することを示唆している。
  論文  参考訳（メタデータ） (2024-10-11T03:52:04Z)
• Visualizing Dynamics of Charges and Strings in (2+1)D Lattice Gauge Theories [103.95523007319937]
  超伝導量子ビット格子における局所励起のダイナミクスについて検討する。 閉じ込められた励起に対して、磁場はそれらを接続する弦の張力を誘導する。 提案手法により,(2+1)D LGTにおける文字列のダイナミックスを実験的に画像化することができる。
  論文  参考訳（メタデータ） (2024-09-25T17:59:05Z)
• Transolver: A Fast Transformer Solver for PDEs on General Geometries [66.82060415622871]
  本稿では, 離散化された測地の背後に隠れた本質的な物理状態を学習するTransolverについて述べる。 スライスから符号化された物理認識トークンに注意を向けることで、Transovlerは複雑な物理的相関を効果的に捉えることができる。 Transolverは6つの標準ベンチマークで22%の相対的な利得で一貫した最先端を実現し、大規模産業シミュレーションでも優れている。
  論文  参考訳（メタデータ） (2024-02-04T06:37:38Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• $\mathbf{\mathbb{E}^{FWI}}$: Multi-parameter Benchmark Datasets for Elastic Full Waveform Inversion of Geophysical Properties [27.94139165494327]
  $mathbfmathbbEFWI$は、弾性フルウェーブフォームインバージョンのための包括的なベンチマークデータセットである。 $mathbfmathbbEFWI$は、様々な地下地質構造をカバーする8つの異なるデータセットを含んでいる。 P波速度とS波速度の関係は、地下特性に重要な洞察を与える。
  論文  参考訳（メタデータ） (2023-06-21T17:11:35Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Curvature-informed multi-task learning for graph networks [56.155331323304]
  最先端のグラフニューラルネットワークは、複数の特性を同時に予測しようとする。 この現象の潜在的な説明として、各特性の損失面の曲率が大きく異なり、非効率な学習につながる可能性がある。
  論文  参考訳（メタデータ） (2022-08-02T18:18:41Z)
• 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)
• Experimental characterization of quantum many-body localization transition [13.805666393282454]
  我々は,多体局所化遷移点を検出するスケーラブルなプロトコルを実験的に実装した。 空間分解能の異なる3つの量を利用することにより、シミュレーションと実験の整合性に優れた遷移点を同定する。 このプロトコルはスケーラブルで、様々な物理プラットフォームで実行できる。
  論文  参考訳（メタデータ） (2020-12-21T17:35:01Z)

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。