論文の概要: A novel deeponet model for learning moving-solution operators with
applications to earthquake hypocenter localization
- arxiv url: http://arxiv.org/abs/2306.04096v1
- Date: Wed, 7 Jun 2023 01:36:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 16:38:42.179410
- Title: A novel deeponet model for learning moving-solution operators with
applications to earthquake hypocenter localization
- Title（参考訳）: 移動解演算子学習のための新しいdeeponetモデルと地震震源位置推定への応用
- Authors: Ehsan Haghighat, Umair bin Waheed, George Karniadakis
- Abstract要約: 我々は、Deep operator network(DeepONets)の新しい変種であるX-DeepONetを紹介する。
X-DeepONetは地震源に関連する旅行時間場を推定することを学ぶ。
不均一・複雑速度モデルであっても, 地震の局部化において顕著な精度を示す。
- 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: Seismicity induced by human activities poses a significant threat to public
safety, emphasizing the need for accurate and timely earthquake hypocenter
localization. In this study, we introduce X-DeepONet, a novel variant of deep
operator networks (DeepONets), for learning moving-solution operators of
parametric partial differential equations (PDEs), with application to real-time
earthquake localization. Leveraging the power of neural operators, X-DeepONet
learns to estimate traveltime fields associated with earthquake sources by
incorporating information from seismic arrival times and velocity models.
Similar to the DeepONet, X-DeepONet includes a trunk net and a branch net.
Additionally, we introduce a root network that not only takes the standard
DeepONet's multiplication operator as input, it also takes addition and
subtraction operators. We show that for problems with moving fields, the
standard multiplication operation of DeepONet is insufficient to capture field
relocation, while addition and subtraction operators along with the eXtended
root significantly improve its accuracy both under data-driven (supervised) and
physics-informed (unsupervised) training. We demonstrate the effectiveness of
X-DeepONet through various experiments, including scenarios with variable
velocity models and arrival times. The results show remarkable accuracy in
earthquake localization, even for heterogeneous and complex velocity models.
The proposed framework also exhibits excellent generalization capabilities and
robustness against noisy arrival times. The method provides a computationally
efficient approach for quantifying uncertainty in hypocenter locations
resulting from traveltime pick errors and velocity model variations. Our
results underscore X-DeepONet's potential to improve seismic monitoring
systems, aiding the development of early warning systems for seismic hazard
mitigation.
- Abstract（参考訳）: 人間の活動によって引き起こされる地震は公共の安全に重大な脅威となり、正確な地震の震源位置の特定の必要性を強調する。
本研究では,パラメトリック偏微分方程式(PDE)の移動解演算子を学習するための深部演算子ネットワーク(DeepONets)の新たな変種であるX-DeepONetを導入し,実時間地震定位への応用について述べる。
ニューラル演算子の力を活用して、X-DeepONetは地震の発生時刻と速度モデルからの情報を組み込むことで、地震源に関連する走行時間場を推定することを学ぶ。
DeepONetと同様に、X-DeepONetはトランクネットとブランチネットを含んでいる。
さらに,標準のdeeponet乗算演算子を入力として使用するだけでなく,加算・減算演算子も使用するルートネットワークを導入する。
移動体に関する問題に対して,deeponetの標準乗算演算は,データ駆動(教師あり)と物理制御(教師なし)の双方において,加算・減算演算子と拡張根による精度が大幅に向上する一方で,フィールド転位を捉えるには不十分であることを示す。
可変速度モデルと到着時間を含む様々な実験を通して,X-DeepONetの有効性を示す。
その結果, 不均質モデルや複素速度モデルにおいても, 地震定位精度は著しく向上した。
また,提案フレームワークは,ノイズ発生時間に対する優れた一般化能力とロバスト性を示す。
本手法は, 移動時ピック誤差と速度モデルの変動から生じる震源位置の不確かさを定量化する計算効率の高い手法を提供する。
本研究は,X-DeepONetによる地震モニタリングシステムの改善の可能性を強調し,早期警戒システムの開発を支援した。
関連論文リスト
- Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。
提案手法は, 監視対象の性能を超過する。
論文 参考訳（メタデータ） (2024-03-25T17:40:32Z) - Exploring Challenges in Deep Learning of Single-Station Ground Motion
Records [0.0]
実験の結果,P相とS相の到着情報に強く依存していることが判明した。
本研究は, 現場における潜在的なギャップを浮き彫りにして, 単一局地動記録の深層学習のためのロバストな手法が欠如していることを示唆する。
論文 参考訳（メタデータ） (2024-03-12T11:56:50Z) - Spatial-wise Dynamic Distillation for MLP-like Efficient Visual Fault
Detection of Freight Trains [11.13191969085042]
貨物列車の故障検出のための多層パーセプトロン(MLP)に基づく動的蒸留フレームワークを提案する。
学生モデルとのセマンティックな相違を効果的に解消する動的教師を提案する。
提案手法は現在の最先端検出器より優れており,より少ない計算コストでリアルタイム検出を行うことができる。
論文 参考訳（メタデータ） (2023-12-10T09:18:24Z) - Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。
Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。
公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
論文 参考訳（メタデータ） (2023-11-28T03:11:33Z) - Physics-informed Deep Super-resolution for Spatiotemporal Data [18.688475686901082]
ディープ・ラーニングは、粗い粒度のシミュレーションに基づいて科学的データを増やすのに使うことができる。
物理インフォームドラーニングにインスパイアされた、豊かで効率的な時間的超解像フレームワークを提案する。
その結果,提案手法の有効性と効率が,ベースラインアルゴリズムと比較して優れていることが示された。
論文 参考訳（メタデータ） (2022-08-02T13:57:35Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。
我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。
実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
論文 参考訳（メタデータ） (2021-10-27T21:05:00Z) - Seismic wave propagation and inversion with Neural Operators [7.296366040398878]
我々は、最近開発されたNeural Operatorと呼ばれる機械学習パラダイムを用いて、一般的なソリューションを学習するためのプロトタイプフレームワークを開発した。
訓練されたニューラル演算子は、任意の速度構造やソース位置について、無視可能な時間で解を計算することができる。
本手法を2次元音響波動方程式を用いて説明し, 地震トモグラフィへの適用性を実証する。
論文 参考訳（メタデータ） (2021-08-11T19:17:39Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳（メタデータ） (2020-12-03T10:17:30Z) - Winning with Simple Learning Models: Detecting Earthquakes in Groningen,
the Netherlands [0.0]
近年、地震学者は低等級地震の検出における深層学習アルゴリズムの有効性を実証している。
ここでは, 特徴抽出を伴うロジスティック回帰モデルを用いて, 地震イベント検出の問題点を再検討する。
訓練可能なパラメータを5つしか持たない単純な学習モデルを用いて,グローニンゲンガス田からの低マグニチュード誘導地震を検出する。
論文 参考訳（メタデータ） (2020-07-08T07:06:09Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。