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
- Efficient Numerical Wave Propagation Enhanced By An End-to-End Deep
Learning Model [0.0]
本稿では,数値解法とディープラーニングコンポーネントをエンドツーエンドのフレームワークに統合する,新しい統合システムを提案する。
安定かつ高速な解法により、高周波波成分を補正する並列時間アルゴリズムであるPararealが利用可能となる。
論文 参考訳(メタデータ) (2024-02-04T00:07:05Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - 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) - Histogram Layer Time Delay Neural Networks for Passive Sonar
Classification [58.720142291102135]
時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。
提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
論文 参考訳(メタデータ) (2023-07-25T19:47:26Z) - 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) - Synthetic Wave-Geometric Impulse Responses for Improved Speech
Dereverberation [69.1351513309953]
室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。
本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
論文 参考訳(メタデータ) (2022-12-10T20:15:23Z) - 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) - A novel multi-layer modular approach for real-time fuzzy-identification
of gravitational-wave signals [0.0]
本稿では,音声処理技術に触発された重力波のリアルタイム検出のための新しい階層化フレームワークを提案する。
本稿では,フレームワークの基本概念と,最初の3つのレイヤの導出について述べる。
畳み込みニューラルネットワークのようなより複雑なアプローチと比較して、我々のフレームワークは精度が低い。
論文 参考訳(メタデータ) (2022-06-13T09:48:38Z) - 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) - Memory-Critical Dynamical Buildup of Phonon-Dressed Majorana Fermions [72.46695228124449]
フォノン装束による1次元ポーラロントポロジカル超伝導体について検討した。
メモリの深さが大きくなると、Majoranaエッジのダイナミクスは単調に緩和され、かなりの値の台地から崩壊・構築の挙動へと移行する。
論文 参考訳(メタデータ) (2020-06-24T07:32:51Z) - Applications of shapelet transform to time series classification of
earthquake, wind and wave data [0.0]
「シェープレット変換」は時系列列の形状の局所的類似性に基づく。
理解可能な特徴と透過的なアルゴリズムを備えた「ホワイトボックス」機械学習モデルを提案する。
モデルはドメインの実践者の介入なしにイベント検出を自動化する。
論文 参考訳(メタデータ) (2020-04-22T10:17:24Z)
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。