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
- 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 [1.5515877763861814]
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 Heat Diffusion Perspective on Geodesic Preserving Dimensionality
Reduction [66.21060114843202]
熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。
その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。
また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
論文 参考訳(メタデータ) (2023-05-30T13:58:50Z) - 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) - Genetic-tunneling driven energy optimizer for magnetic system [0.0]
本稿では,局所エネルギー最小化手法のバックエンドとメタヒューリスティックなグローバル検索フロントエンドを組み合わせた遺伝的チューニング駆動分散制御最適化手法を提案する。
本稿では, 密度汎関数理論からの人工的相互作用と計算的相互作用を併用した2次元単層膜の磁気基底状態の探索におけるこの手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-12-31T14:27:34Z) - 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) - Probabilistic model-error assessment of deep learning proxies: an
application to real-time inversion of borehole electromagnetic measurements [0.0]
深部電磁法(EM)測定における深部学習モデルの近似特性と関連するモデル誤差の影響について検討した。
フォワードモデルとしてディープニューラルネットワーク(DNN)を使用することで、数秒で数千のモデル評価を実行できます。
本稿では, モデル誤差を無視しながら, EM測定の逆転に伴う問題を明らかにする数値計算結果を提案する。
論文 参考訳(メタデータ) (2022-05-25T11:44:48Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳(メタデータ) (2022-02-23T11:23:59Z) - 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。