論文の概要: High-Rate Phase Association with Travel Time Neural Fields
- arxiv url: http://arxiv.org/abs/2307.07572v4
- Date: Thu, 12 Dec 2024 00:56:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-13 17:00:13.739079
- Title: High-Rate Phase Association with Travel Time Neural Fields
- Title(参考訳): 進行時間ニューラル場と高次位相相関
- Authors: Cheng Shi, Giulio Poggiali, Chris Marone, Maarten V. de Hoop, Ivan Dokmanić,
- Abstract要約: HARPAは、深層生成モデルと走行時間ニューラルフィールドを活用することで波動物理学を取り入れた高速度アソシエーションフレームワークである。
これは、実際の地震データと複雑な合成モデルの両方において、最先端のアソシエーション手法より優れている。
- 参考スコア(独自算出の注目度): 11.935601258042022
- License:
- Abstract: Earthquake science and seismology rely on the ability to associate seismic waves with their originating earthquakes. Earthquake detection algorithms based on deep learning have progressed rapidly and now routinely detect microearthquakes with unprecedented clarity, providing information about fault dynamics on increasingly finer spatiotemporal scales. However, this densification of detections can overwhelm existing techniques for phase association which rely on fixed wave speed models and associate events one by one. These methods fail when the event rates become high or where the 4D complexity of elastic wave speeds cannot be ignored. Here, we introduce HARPA, a deep learning solution to this problem. HARPA is a high-rate association framework which incorporates wave physics by leveraging deep generative models and travel time neural fields. Instead of associating events one by one, it lifts arrival sequences to probability distributions and compares them using an optimal transport metric. The generative travel time neural fields are used to estimate the wave speed simultaneously with association. HARPA outperforms state-of-the-art association methods for both real seismic data and complex synthetic models and paves the way for improved understanding of seismicity while establishing a new seismic data analysis paradigm.
- Abstract(参考訳): 地震科学と地震学は、震源となる地震と地震を関連付ける能力に依存している。
深層学習に基づく地震検出アルゴリズムは急速に進歩し、これまでない明快な微地震を日常的に検出し、より微細な時空間スケールで断層力学に関する情報を提供する。
しかし、この検出の密度化は、固定波速度モデルに依存し、事象を一つずつ関連付ける位相アソシエーションの既存の手法を圧倒する可能性がある。
これらの手法は、事象率が高くなったり、弾性波速度の4次元複雑さを無視できない場合に失敗する。
本稿では,この問題に対するディープラーニングソリューションであるHARPAを紹介する。
HARPAは、深層生成モデルと走行時間ニューラルフィールドを活用することで波動物理学を取り入れた高速度アソシエーションフレームワークである。
事象を1つずつ関連付ける代わりに、到着シーケンスを確率分布に上げ、最適な輸送計量を用いてそれらを比較する。
生成進行時間ニューラルフィールドを用いて、関連性と同時に波速を推定する。
HARPAは、実際の地震データと複雑な合成モデルの両方の最先端の関連法より優れており、新しい地震データ分析パラダイムを確立しながら、地震の理解を深める道を開く。
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。