Fugu-MT 論文翻訳(概要): Self-Supervised Knowledge-Driven Deep Learning for 3D Magnetic Inversion

論文の概要: Self-Supervised Knowledge-Driven Deep Learning for 3D Magnetic Inversion

arxiv url: http://arxiv.org/abs/2308.12193v1
Date: Wed, 23 Aug 2023 15:31:38 GMT
ステータス: 処理完了
システム内更新日: 2023-08-24 13:45:48.031841
Title: Self-Supervised Knowledge-Driven Deep Learning for 3D Magnetic Inversion
Title（参考訳）: 3次元磁気インバージョンのための自己教師付き知識駆動深層学習
Authors: Yinshuo Li, Zhuo Jia, Wenkai Lu, Cao Song
Abstract要約: 提案する自己教師型知識駆動型3次元磁気インバージョン法は, インバージョンモデルとフォワードモデルの閉ループにより, 対象フィールドデータから学習する。提案した逆転モデルには知識駆動型モジュールがあり、深層学習法をより説明しやすくする。実験により,提案手法は優れた性能を有する信頼性のある磁気反転法であることが示された。
参考スコア（独自算出の注目度）: 6.001304967469112
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The magnetic inversion method is one of the non-destructive geophysical methods, which aims to estimate the subsurface susceptibility distribution from surface magnetic anomaly data. Recently, supervised deep learning methods have been widely utilized in lots of geophysical fields including magnetic inversion. However, these methods rely heavily on synthetic training data, whose performance is limited since the synthetic data is not independently and identically distributed with the field data. Thus, we proposed to realize magnetic inversion by self-supervised deep learning. The proposed self-supervised knowledge-driven 3D magnetic inversion method (SSKMI) learns on the target field data by a closed loop of the inversion and forward models. Given that the parameters of the forward model are preset, SSKMI can optimize the inversion model by minimizing the mean absolute error between observed and re-estimated surface magnetic anomalies. Besides, there is a knowledge-driven module in the proposed inversion model, which makes the deep learning method more explicable. Meanwhile, comparative experiments demonstrate that the knowledge-driven module can accelerate the training of the proposed method and achieve better results. Since magnetic inversion is an ill-pose task, SSKMI proposed to constrain the inversion model by a guideline in the auxiliary loop. The experimental results demonstrate that the proposed method is a reliable magnetic inversion method with outstanding performance.
Abstract（参考訳）: 磁気インバージョン法は, 地磁気異常データから地表面の感受性分布を推定する非破壊的な物理手法の1つである。近年,磁気インバージョンを含む多くの物理分野において,教師付き深層学習法が広く利用されている。しかし、これらの手法は、合成データがフィールドデータと独立かつ同一に分散していないため、性能が制限された合成トレーニングデータに大きく依存する。そこで本稿では,自己教師型深層学習による磁気反転を実現することを提案する。提案する自己教師型知識駆動型3次元磁気インバージョン法(SSKMI)は,インバージョンモデルとフォワードモデルの閉ループにより,対象フィールドデータから学習する。フォワードモデルのパラメータが予め設定されていることを考えると、SSKMIは観測された表面磁気異常と再推定された表面磁気異常の絶対誤差を最小化することで、インバージョンモデルを最適化することができる。さらに、提案した逆変換モデルには知識駆動型モジュールがあり、深層学習法をより説明しやすくする。一方、知識駆動モジュールは、提案手法の訓練を加速し、より良い結果が得られることを示す。磁気反転は不適切なタスクであるため、SSKMIは補助ループのガイドラインによる反転モデルを制約することを提案した。実験により,提案手法は優れた性能を有する信頼性のある磁気反転法であることが示された。

関連論文リスト

Magnetic Hysteresis Modeling with Neural Operators [0.7817677116789855]
本稿では、磁場間のマッピングを学習することで、磁場を示す法則をモデル化するためのニューラル演算子を提案する。ニューラル演算子(ディープ演算子ネットワークとフーリエニューラル演算子)は、新しい一階反転曲線とマイナーループを予測するために使用される。
論文参考訳（メタデータ） (2024-07-03T16:45:45Z)
Towards Stable and Storage-efficient Dataset Distillation: Matching Convexified Trajectory [53.37473225728298]
ディープラーニングと大規模言語モデルの急速な進化により、トレーニングデータの需要が指数関数的に増加した。 MTT(Matching Training Trajectories)は、専門家ネットワークのトレーニングトラジェクトリを、合成データセットで実データ上に複製する、顕著なアプローチである。そこで本研究では,学生の軌道に対するより良いガイダンスを提供することを目的として,MCT (Matching Convexified Trajectory) と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2024-06-28T11:06:46Z)
Neural Operator for Accelerating Coronal Magnetic Field Model [17.256941005824576]
磁気流体力学(MHD)シミュレーションは、これらの相互作用をモデル化するのに役立つが、非常に時間を要する(通常、数日のスケールで)。我々の研究は、FNO(Fourier Neural Operator)を用いて磁場モデリング、特にBifrost MHDモデルを加速する。物理解析により、TFNOは信頼性が高く、高精度でMHDシミュレーションを加速できることを確認した。この進歩はデータ処理の効率を改善し、予測能力を高め、磁気トポロジをよりよく理解する。
論文参考訳（メタデータ） (2024-05-21T13:04:53Z)
A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
様々な動物が環境の手がかりを使って正確なナビゲーションをしている。動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
論文参考訳（メタデータ） (2024-02-06T13:20:56Z)
Unsupervised Discovery of Interpretable Directions in h-space of Pre-trained Diffusion Models [63.1637853118899]
本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
論文参考訳（メタデータ） (2023-10-15T18:44:30Z)
Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文参考訳（メタデータ） (2023-10-09T14:30:06Z)
Magnetic Field-Based Reward Shaping for Goal-Conditioned Reinforcement Learning [16.224372286510558]
リワードシェーピングは、人間のドメイン知識を学習プロセスに埋め込むことで、サンプル効率を向上させるための実践的なアプローチである。本稿では,目標条件付きRLタスクの動的目標と障害物を考慮した新しい磁場型報酬整形法を提案する。シミュレーションと実世界のロボット操作の両方の実験の結果、MFRSは既存の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2023-07-16T13:04:40Z)
PINQI: An End-to-End Physics-Informed Approach to Learned Quantitative MRI Reconstruction [0.7199733380797579]
定量的磁気共鳴イメージング(qMRI)は、生体物理パラメータの再現可能な測定を可能にする。この課題は、取得した生データから所望の組織パラメーターマップを得るために、非線形で不適切な逆問題を解決することである。我々は、信号、取得モデルに関する知識を統合した新しいqMRI再構成手法であるPINQIを提案し、単一エンドツーエンドのトレーニング可能なニューラルネットワークへの正規化を学習した。
論文参考訳（メタデータ） (2023-06-19T15:37:53Z)
A neural operator-based surrogate solver for free-form electromagnetic inverse design [0.0]
我々は、電磁散乱問題に対する代理解法として、修正されたフーリエニューラル演算子を実装し、訓練する。自由形完全3次元電磁散乱器の勾配型ナノフォトニクス逆設計への応用を実証する。
論文参考訳（メタデータ） (2023-02-04T07:56:18Z)
Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文参考訳（メタデータ） (2022-11-20T15:49:11Z)
SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文参考訳（メタデータ） (2020-10-19T09:23:39Z)

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。