論文の概要: Fourier-DeepONet: Fourier-enhanced deep operator networks for full waveform inversion with improved accuracy, generalizability, and robustness

• arxiv url: http://arxiv.org/abs/2305.17289v1
• Date: Fri, 26 May 2023 22:17:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 20:43:54.881540
• Title: Fourier-DeepONet: Fourier-enhanced deep operator networks for full waveform inversion with improved accuracy, generalizability, and robustness
• Title（参考訳）: Fourier-DeepONet:精度、一般化性、堅牢性を改善したフルウェーブフォームインバージョンのためのフーリエ強化ディープオペレータネットワーク
• Authors: Min Zhu, Shihang Feng, Youzuo Lin, Lu Lu
• Abstract要約: フルウェーブフォームインバージョン(FWI)は、非最適化問題を解くことにより、波形データから地下構造情報を推測する。 そこで我々は、FWIの周波数や音源の位置を含む情報源を一般化したニューラルネットワーク(Fourier-DeepONet)を開発した。 実験により,既存のデータ駆動型FWIと比較して,Fourier-DeepONetはより高精度な地下構造予測を行うことができた。
• 参考スコア（独自算出の注目度）: 4.186792090302649
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Full waveform inversion (FWI) infers the subsurface structure information from seismic waveform data by solving a non-convex optimization problem. Data-driven FWI has been increasingly studied with various neural network architectures to improve accuracy and computational efficiency. Nevertheless, the applicability of pre-trained neural networks is severely restricted by potential discrepancies between the source function used in the field survey and the one utilized during training. Here, we develop a Fourier-enhanced deep operator network (Fourier-DeepONet) for FWI with the generalization of seismic sources, including the frequencies and locations of sources. Specifically, we employ the Fourier neural operator as the decoder of DeepONet, and we utilize source parameters as one input of Fourier-DeepONet, facilitating the resolution of FWI with variable sources. To test Fourier-DeepONet, we develop two new and realistic FWI benchmark datasets (FWI-F and FWI-L) with varying source frequencies and locations. Our experiments demonstrate that compared with existing data-driven FWI methods, Fourier-DeepONet obtains more accurate predictions of subsurface structures in a wide range of source parameters. Moreover, the proposed Fourier-DeepONet exhibits superior robustness when dealing with noisy inputs or inputs with missing traces, paving the way for more reliable and accurate subsurface imaging across diverse real conditions.
• Abstract（参考訳）: フル波形インバージョン(fwi)は非凸最適化問題を解いて地震波形データから地下構造情報を推定する。 データ駆動型fwiは、精度と計算効率を改善するために、様々なニューラルネットワークアーキテクチャで研究されている。 それでも、事前トレーニングされたニューラルネットワークの適用性は、フィールドサーベイで使用されるソース関数とトレーニング中に使用されるソース関数との潜在的な相違によって厳しく制限されている。 本稿では,震源の周波数や位置を一般化したFWIのためのフーリエ強化深度演算ネットワーク(Fourier-DeepONet)を開発した。 具体的には、DeepONetのデコーダとしてフーリエニューラル演算子を用い、ソースパラメータをFourier-DeepONetの一入力として利用し、可変ソースによるFWIの分解を容易にする。 Fourier-DeepONet をテストするために,FWI-F と FWI-L の2つのベンチマークデータセットを開発した。 実験により,既存のデータ駆動型FWI法と比較して,Fourier-DeepONetはより高精度な地下構造予測を行うことができた。 さらに,提案するフーリエディープネットは,ノイズ入力やトレースの欠如した入力を扱う場合のロバスト性が優れており,様々な実環境においてより信頼性が高く正確な地下イメージングを行う方法である。

関連論文リスト

• Inversion-DeepONet: A Novel DeepONet-Based Network with Encoder-Decoder for Full Waveform Inversion [28.406887976413845]
  フルウェーブフォーム・インバージョン(FWI)のための新しいディープ・オペレータ・ネットワーク(DeepONet)アーキテクチャ(Inversion-DeepONet)を提案する。 分岐網内の地震データから特徴を抽出するために畳み込みニューラルネットワーク(CNN)を用いる。 我々は,既存のデータ駆動型FWI法と比較して,ネットワークの精度と一般化能力の優れた性能を確認した。
  論文  参考訳（メタデータ） (2024-08-15T08:15:06Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• A Physics-Guided Bi-Fidelity Fourier-Featured Operator Learning Framework for Predicting Time Evolution of Drag and Lift Coefficients [4.584598411021565]
  本稿では,訓練に限られた高忠実度データセットを必要とする深層演算子学習フレームワークを提案する。 本稿では,低・高忠実なデータセットを効果的に組み合わせた物理誘導型二忠実なFourier-Featured Deep Operator Network (DeepONet) フレームワークを提案する。 我々は,リフトおよびドラッグ係数の時間軌道を予測することを目的とした,よく知られた2次元ベンチマークシリンダー問題を用いて,我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2023-11-07T00:56:54Z)
• WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series Forecasting [61.64303388738395]
  本稿では,長期連続予測のためのWavelet-Fourier Transform Network (WFTNet)を提案する。 さまざまな時系列データセットのテストでは、WFTNetは他の最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-09-20T13:44:18Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Functional Regularization for Reinforcement Learning via Learned Fourier Features [98.90474131452588]
  本稿では、入力を学習されたフーリエベースに埋め込むことにより、深層強化学習のための簡単なアーキテクチャを提案する。 その結果、状態ベースと画像ベースの両方のRLのサンプル効率が向上することがわかった。
  論文  参考訳（メタデータ） (2021-12-06T18:59:52Z)
• On the Robustness and Generalization of Deep Learning Driven Full Waveform Inversion [2.5382095320488665]
  フルウェーブフォーム・インバージョン(FWI)は画像から画像への変換タスクとして一般的にエピトマイズされる。 合成データでトレーニングされているにもかかわらず、ディープラーニング駆動のFWIは、十分な実世界のデータで評価すると、良好に動作することが期待されている。 これらのディープニューラルネットワークはどの程度堅牢で、どのように一般化されているのか?
  論文  参考訳（メタデータ） (2021-11-28T19:27:59Z)
• Factorized Fourier Neural Operators [77.47313102926017]
  Factorized Fourier Neural Operator (F-FNO) は偏微分方程式をシミュレートする学習法である。 我々は,数値解法よりも桁違いに高速に動作しながら,誤差率2%を維持していることを示す。
  論文  参考訳（メタデータ） (2021-11-27T03:34:13Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)

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。