論文の概要: Harpa: High-Rate Phase Association with Travel Time Neural Fields
- arxiv url: http://arxiv.org/abs/2307.07572v2
- Date: Sat, 10 Feb 2024 21:05:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 00:29:53.151936
- 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: 我々は、深層生成モデリングとニューラルフィールドに基づくハイレートアソシエーションフレームワークであるHarpaを紹介した。
Harpaは、到着シーケンスの比較に最適なトランスポートを使用することで、波動物理学を取り入れている。
したがって、未知の波動速度に対して頑健であり、波動速度モデルを相関の副産物として推定する。
- 参考スコア（独自算出の注目度）: 31.91196110980577
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Our understanding of regional seismicity from multi-station seismograms
relies on the ability to associate arrival phases with their originating
earthquakes. Deep-learning-based phase detection now detects small, high-rate
arrivals from seismicity clouds, even at negative magnitudes. This new data
could give important insight into earthquake dynamics, but it is presents a
challenging association task. Existing techniques relying on coarsely
approximated, fixed wave speed models fail in this unexplored dense regime
where the complexity of unknown wave speed cannot be ignored. We introduce
Harpa, a high-rate association framework built on deep generative modeling and
neural fields. Harpa incorporates wave physics by using optimal transport to
compare arrival sequences. It is thus robust to unknown wave speeds and
estimates the wave speed model as a by-product of association. Experiments with
realistic, complex synthetic models show that Harpa is the first seismic phase
association framework which is accurate in the high-rate regime, paving the way
for new avenues in exploratory Earth science and improved understanding of
seismicity.
- Abstract（参考訳）: マルチステーション地震計からの地域地震活動の理解は,到着段階と震源の地震を関連付ける能力に依存している。
深層学習に基づく位相検出は、たとえ負のマグニチュードでも、地震雲から小さな高速の到達を検知する。
この新しいデータは、地震のダイナミクスに関する重要な洞察を与えるかもしれないが、これは難しい関連課題である。
粗大に近似された固定波速度モデルに依存する既存の手法は、未知の波速度の複雑さを無視できない未探索の高密度な状態において失敗する。
我々は、深層生成モデリングとニューラルフィールドに基づくハイレートアソシエーションフレームワークであるHarpaを紹介した。
harpaは、到着列の比較に最適な輸送を用いて波動物理学を取り入れている。
したがって、未知の波速に頑健であり、結合の副産物として波速モデルを推定する。
現実的な複雑な合成モデルを用いた実験では、ハルパは高次構造において正確な最初の地震相関連フレームワークであり、探査地球科学の新しい道のりを開拓し、地震の理解を改善した。
関連論文リスト
- 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) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - 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) - 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) - 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) - 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。