論文の概要: Harpa: High-Rate Phase Association with Travel Time Neural Fields
- arxiv url: http://arxiv.org/abs/2307.07572v1
- Date: Fri, 14 Jul 2023 18:29:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 19:05:10.018393
- Title: Harpa: High-Rate Phase Association with Travel Time Neural Fields
- Title（参考訳）: Harpa: 旅行時間ニューラルフィールドと高次フェーズアソシエーション
- Authors: Cheng Shi, Maarten V. de Hoop, and Ivan Dokmani\'c
- Abstract要約: 位相アソシエーションは, 地震データ処理パイプラインの基本課題である。
波動速度が未知であっても,従来報告されていたよりも相関がはるかに高いことを示す。
- 参考スコア（独自算出の注目度）: 30.696367674561813
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Phase association groups seismic wave arrivals according to their originating
earthquakes. It is a fundamental task in a seismic data processing pipeline,
but challenging to perform for smaller, high-rate seismic events which carry
fundamental information about earthquake dynamics, especially with a commonly
assumed inaccurate wave speed model. As a consequence, most association methods
focus on larger events that occur at a lower rate and are thus easier to
associate, even though microseismicity provides a valuable description of the
elastic medium properties in the subsurface. In this paper, we show that
association is possible at rates much higher than previously reported even when
the wave speed is unknown. We propose Harpa, a high-rate seismic phase
association method which leverages deep neural fields to build generative
models of wave speeds and associated travel times, and first solves a joint
spatio--temporal source localization and wave speed recovery problem, followed
by association. We obviate the need for associated phases by interpreting
arrival time data as probability measures and using an optimal transport loss
to enforce data fidelity. The joint recovery problem is known to admit a unique
solution under certain conditions but due to the non-convexity of the
corresponding loss a simple gradient scheme converges to poor local minima. We
show that this is effectively mitigated by stochastic gradient Langevin
dynamics (SGLD). Numerical experiments show that \harpa~efficiently associates
high-rate seismicity clouds over complex, unknown wave speeds and graciously
handles noisy and missing picks.
- Abstract（参考訳）: 地震の震源と位相関連群地震波の到来
これは地震データ処理パイプラインの基本課題であるが、特に不正確な波動速度モデルを用いて、地震のダイナミクスに関する基本的な情報を運ぶ、より小さな、より高速な地震イベントを実行することが困難である。
結果として、ほとんどのアソシエーション手法は、地下の弾性媒質特性の貴重な説明を提供するものの、より低い速度で発生し、それゆえアソシエーションしやすい大きな事象に焦点を当てている。
本稿では,波速が未知である場合でも,以前報告したよりもずっと高い速度で関連付けることができることを示す。
本稿では,深層ニューラルネットワークを用いて波速と関連する移動時間の生成モデルを構築する高速地震波位相結合法であるharpaを提案する。
我々は、到着時刻データを確率尺度として解釈し、データ忠実性を強制するために最適な輸送損失を使用することにより、関連する位相の必要性を緩和する。
ジョイントリカバリ問題は、特定の条件下で一意的な解が認められることが知られているが、対応する損失の非凸性のため、単純な勾配スキームは局所的最小値に収束する。
確率勾配ランゲヴィンダイナミクス(SGLD)によって効果的に緩和されることを示す。
数値実験により、シャルパは複雑な、未知の波の速度で高速度の地震雲を効率的に関連付け、うるさいピックを優しく処理することを示した。
関連論文リスト
- Broadband Ground Motion Synthesis by Diffusion Model with Minimal Condition [3.1285630695933686]
本研究では,実際の地震データから学習した後に,現実的な波形を確実に生成する特殊潜在拡散モデル(LDM)を提案する。
本研究では,南カリフォルニア地震データセンター (SCEDC) API を用いた時整列地震データセットを構築した。
我々のモデルは、波形生成領域だけでなく、地震学からも、様々な試験基準において、同等のデータ駆動手法をすべて上回っている。
論文 参考訳（メタデータ） (2024-12-23T06:56:28Z) - High Resolution Seismic Waveform Generation using Denoising Diffusion [3.5046784866523932]
本研究では, 高周波波形生成のための新しい, 効率的, スケーラブルな生成モデルを提案する。
地震波形データのスペクトログラム表現を、オートエンコーダを介して低次元のサブ多様体に還元する。
最先端拡散モデルを用いて、キー入力パラメータを条件に、この潜伏表現を生成する。
論文 参考訳（メタデータ） (2024-10-25T07:01:48Z) - Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。
我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。
FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
論文 参考訳（メタデータ） (2024-08-13T04:33:23Z) - WaveCastNet: An AI-enabled Wavefield Forecasting Framework for Earthquake Early Warning [39.353484781486245]
本稿では,大地震の震動を予測するための新しいAI対応フレームワークWaveCastNetを提案する。
WaveCastNetは、新しい畳み込み長表現型メモリ(ConvLEM)モデルをシーケンスからシーケンスへの予測フレームワーク(seq2seq)に統合する。
サンフランシスコ・ベイエリアのシミュレーションデータを用いて, 地震動の強度とタイミングを迅速に予測できることを示す。
論文 参考訳（メタデータ） (2024-05-30T22:18:16Z) - Traveling Waves Encode the Recent Past and Enhance Sequence Learning [42.64734926263417]
神経活動の進行波は脳全体で様々な領域やスケールで観測されている。
ある物理的に着想を得た仮説は、皮質シートが波動伝播系のように振る舞うことを示唆している。
このギャップを埋めるためのモデルを導入し、Wave-RNN(wRNN)を示す。
論文 参考訳（メタデータ） (2023-09-03T22:48:10Z) - Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。
従来の手法は手作りの機能と機械学習技術に依存している。
HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
論文 参考訳（メタデータ） (2023-08-02T12:04:28Z) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳（メタデータ） (2023-05-18T12:30:26Z) - 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) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳（メタデータ） (2022-08-18T15:27:40Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳（メタデータ） (2021-06-23T18:00:05Z) - Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。
地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
論文 参考訳（メタデータ） (2020-02-05T10:11:26Z)
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。