論文の概要: A Physics-guided Generative AI Toolkit for Geophysical Monitoring
- arxiv url: http://arxiv.org/abs/2401.03131v1
- Date: Sat, 6 Jan 2024 06:09:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 20:22:32.919162
- Title: A Physics-guided Generative AI Toolkit for Geophysical Monitoring
- Title(参考訳): 物理誘導型地球物理モニタリング用生成aiツールキット
- Authors: Junhuan Yang, Hanchen Wang, Yi Sheng, Youzuo Lin, Lei Yang
- Abstract要約: フルウェーブフォーム・インバージョン(FWI)は地下探査において重要な役割を担っている。
物理原理で導かれる拡散モデルを用いて高忠実度速度マップを生成するEdGeoツールキットを提案する。
- 参考スコア(独自算出の注目度): 13.986582633154226
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Full-waveform inversion (FWI) plays a vital role in geoscience to explore the
subsurface. It utilizes the seismic wave to image the subsurface velocity map.
As the machine learning (ML) technique evolves, the data-driven approaches
using ML for FWI tasks have emerged, offering enhanced accuracy and reduced
computational cost compared to traditional physics-based methods. However, a
common challenge in geoscience, the unprivileged data, severely limits ML
effectiveness. The issue becomes even worse during model pruning, a step
essential in geoscience due to environmental complexities. To tackle this, we
introduce the EdGeo toolkit, which employs a diffusion-based model guided by
physics principles to generate high-fidelity velocity maps. The toolkit uses
the acoustic wave equation to generate corresponding seismic waveform data,
facilitating the fine-tuning of pruned ML models. Our results demonstrate
significant improvements in SSIM scores and reduction in both MAE and MSE
across various pruning ratios. Notably, the ML model fine-tuned using data
generated by EdGeo yields superior quality of velocity maps, especially in
representing unprivileged features, outperforming other existing methods.
- Abstract(参考訳): フルウェーブフォーム・インバージョン(FWI)は地下探査において重要な役割を担っている。
地震波を利用して地下の速度マップを撮影する。
機械学習(ML)技術が進化するにつれて、FWIタスクにMLを用いたデータ駆動アプローチが出現し、従来の物理ベースの手法と比較して精度の向上と計算コストの削減を実現している。
しかし、地球科学における共通の課題である、未所有のデータは、MLの有効性を著しく制限する。
この問題は、環境の複雑さによって地球科学に不可欠なステップであるモデル刈り込みの間にさらに悪化する。
そこで我々は,高忠実度速度マップを生成するために,物理原理に基づく拡散モデルを用いたEdGeoツールキットを提案する。
このツールキットは、音響波動方程式を用いて対応する地震波形データを生成し、プルーニングMLモデルの微調整を容易にする。
以上の結果から,ssimスコアの有意な改善と,各種プルーニング比におけるmaeおよびmseの低下が確認された。
特に、edgeoが生成したデータを使って微調整されたmlモデルは、特に特権的でない特徴の表現において、他の既存の方法よりも優れた速度マップを提供する。
関連論文リスト
- DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via
Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。
提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文 参考訳(メタデータ) (2023-10-11T05:34:36Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳(メタデータ) (2023-07-20T05:49:21Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural
Network Emulators of Geophysical Turbulence [0.0]
しばしば見過ごされる処理ステップがエミュレータの予測品質にどのように影響するかを検討する。
1)空間ベクトル自己回帰(NVAR)の形式、(2)エコー状態ネットワーク(ESN)の形式。
いずれの場合も、トレーニングデータのサブサンプリングは、数値拡散に類似した小さなスケールでのバイアスの増加につながる。
論文 参考訳(メタデータ) (2023-04-28T21:34:53Z) - Evaluation Challenges for Geospatial ML [5.576083740549639]
地理空間機械学習モデルと地図は、科学と政策の下流分析にますます使われている。
空間機械学習出力の正確な測定方法は議論の的となっている。
本稿では,グローバルあるいはリモートセンシングされたデータセットを用いた地理空間機械学習におけるモデル評価のユニークな課題について述べる。
論文 参考訳(メタデータ) (2023-03-31T14:24:06Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳(メタデータ) (2022-06-15T17:29:57Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Unsupervised Learning of Full-Waveform Inversion: Connecting CNN and
Partial Differential Equation in a Loop [13.1144828613672]
フルウェーブフォーム・インバージョン(FWI)は、地震データから地下の速度マップを推定するために地球物理学で広く用いられている。
我々は、コミュニティにとってより困難なベンチマークを確立するために、新しい大規模データセットOpenFWIを紹介します。
実験結果から,我々のモデル(地震データのみを用いた)は,教師付きモデルと同等の精度が得られることがわかった。
論文 参考訳(メタデータ) (2021-10-14T17:47:22Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳(メタデータ) (2021-02-15T10:37:52Z) - Physics-Consistent Data-driven Waveform Inversion with Adaptive Data
Augmentation [12.564534712461331]
我々は、FWI(Full-waveform Inversion)を解くための新しいハイブリッド計算手法を開発した。
トレーニングセットの表現性を向上するデータ拡張戦略を開発する。
本研究では, カルフォルニア州キンベリナの炭素沈殿場に構築された地下地質モデルから得られた弾性地震波形データに本手法を適用した。
論文 参考訳(メタデータ) (2020-09-03T17:12:55Z) - From calibration to parameter learning: Harnessing the scaling effects
of big data in geoscientific modeling [2.9897531698031403]
本稿では,入力とパラメータのグローバルマッピングを効率的に学習する,微分可能なパラメータ学習フレームワークを提案する。
トレーニングデータが増加するにつれて、dPLはより良いパフォーマンス、より物理的コヒーレンス、より良い一般化性を達成する。
土壌の水分と流水から学んだ例を示し,dPLが既存の進化的・地域的手法を著しく上回った。
論文 参考訳(メタデータ) (2020-07-30T21:38:56Z)
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。