論文の概要: Controllable seismic velocity synthesis using generative diffusion
models
- arxiv url: http://arxiv.org/abs/2402.06277v1
- Date: Fri, 9 Feb 2024 09:41:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-12 17:31:12.919981
- Title: Controllable seismic velocity synthesis using generative diffusion
models
- Title(参考訳): 生成拡散モデルを用いた制御可能な地震波速度合成
- Authors: Fu Wang, Xinquan Huang, Tariq Alkhalifah
- Abstract要約: 本研究では, 地震波速度合成のための条件付き生成拡散モデルを提案する。
このアプローチは、予測された目標分布と密接に一致する地震波速度の生成を可能にする。
OpenFWIデータセット上での拡散モデルのトレーニングにより,本手法の柔軟性と有効性を示す。
- 参考スコア(独自算出の注目度): 4.742123770879715
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate seismic velocity estimations are vital to understanding Earth's
subsurface structures, assessing natural resources, and evaluating seismic
hazards. Machine learning-based inversion algorithms have shown promising
performance in regional (i.e., for exploration) and global velocity estimation,
while their effectiveness hinges on access to large and diverse training
datasets whose distributions generally cover the target solutions.
Additionally, enhancing the precision and reliability of velocity estimation
also requires incorporating prior information, e.g., geological classes, well
logs, and subsurface structures, but current statistical or neural
network-based methods are not flexible enough to handle such multi-modal
information. To address both challenges, we propose to use conditional
generative diffusion models for seismic velocity synthesis, in which we readily
incorporate those priors. This approach enables the generation of seismic
velocities that closely match the expected target distribution, offering
datasets informed by both expert knowledge and measured data to support
training for data-driven geophysical methods. We demonstrate the flexibility
and effectiveness of our method through training diffusion models on the
OpenFWI dataset under various conditions, including class labels, well logs,
reflectivity images, as well as the combination of these priors. The
performance of the approach under out-of-distribution conditions further
underscores its generalization ability, showcasing its potential to provide
tailored priors for velocity inverse problems and create specific training
datasets for machine learning-based geophysical applications.
- Abstract(参考訳): 正確な地震速度推定は、地球の地下構造を理解し、天然資源を評価し、地震災害の評価に不可欠である。
機械学習ベースのインバージョンアルゴリズムは、地域(例えば探索)とグローバルな速度推定において有望な性能を示し、その効果は、一般的にターゲットのソリューションをカバーする分布を持つ大規模で多様なトレーニングデータセットへのアクセスにかかっている。
さらに、速度推定の精度と信頼性を高めるには、地質学クラス、井戸ログ、地下構造などの事前情報も必要となるが、現在の統計学やニューラルネットワークに基づく手法では、このようなマルチモーダル情報を扱うには柔軟ではない。
両課題に対処するために, 条件付き生成拡散モデルを用いて地震波速度合成を行うことを提案する。
このアプローチは、期待される目標分布と密接に一致する地震動速度を生成し、専門家の知識と測定データの両方から情報を得たデータセットを提供し、データ駆動の地球物理学的手法のトレーニングを支援する。
クラスラベル,ウェルログ,反射率画像など,様々な条件下でのOpenFWIデータセット上での拡散モデルのトレーニングにより,本手法の柔軟性と有効性を示す。
out-of-distribution条件下でのアプローチのパフォーマンスは、その一般化能力をさらに強調し、速度逆問題のための調整前処理を提供し、機械学習ベースの物理応用のための特定のトレーニングデータセットを作成する可能性を示した。
関連論文リスト
- An Ensemble Framework for Explainable Geospatial Machine Learning Models [16.010404125829876]
本稿では,局所空間重み付け手法,説明可能な人工知能(XAI),最先端機械学習技術を融合した統合フレームワークを提案する。
この枠組みは、地理的回帰と分類の両方において、予測の解釈可能性と精度を高めるために検証される。
これは予測精度を大幅に向上させ、空間現象を理解するための新しいアプローチを提供する。
論文 参考訳(メタデータ) (2024-03-05T21:12:10Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-22T02:12:08Z) - FaultSeg Swin-UNETR: Transformer-Based Self-Supervised Pretraining Model
for Fault Recognition [13.339333273943842]
本稿では,自己教師付き事前学習による地震断層認識の高度化手法を提案する。
我々は,Swin Transformerモデルをコアネットワークとして採用し,SimMIMプレトレーニングタスクを用いて,地震データにおける不連続性に関連する特徴を抽出した。
実験の結果,提案手法は,OISおよびODS測定値から,Thebeデータセット上での最先端性能を実現することができた。
論文 参考訳(メタデータ) (2023-10-27T08:38:59Z) - 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) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - Transfer learning to improve streamflow forecasts in data sparse regions [0.0]
本研究では,データスパース領域におけるストリームフロー予測の一般化性能向上のために,微調整およびパラメータ転送による伝達学習(TL)の方法論について検討する。
本稿では,Long Short-Term Memory(LSTM)という形式で,十分に大きなソースドメインデータセットに適合する標準のリカレントニューラルネットワークを提案する。
本稿では,モデルの空間的および時間的成分を分離し,モデルを一般化する訓練を行うことにより,水文学応用のための伝達学習手法を実装する手法を提案する。
論文 参考訳(メタデータ) (2021-12-06T14:52:53Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z) - Data-driven Full-waveform Inversion Surrogate using Conditional
Generative Adversarial Networks [0.0]
フル波形インバージョン(FWI)速度モデリングは、正確で詳細な速度場モデルを提供する反復的な高度な技術です。
本研究では,複数の入力を持つ条件付き生成逆数ネットワーク(cGAN)を用いて,FWIによって得られた速度場モデルを生成する手法を提案する。
論文 参考訳(メタデータ) (2021-04-30T21:41:24Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z) - TDEFSI: Theory Guided Deep Learning Based Epidemic Forecasting with
Synthetic Information [8.681583244827936]
TDEFSIは低分解能時系列データを用いて正確な高分解能予測を行う。
我々は、シーズン内とシーズン間の両方の低分解能観測を行うために、2分岐リカレントニューラルネットワークモデルを訓練する。
予測は観測データによって駆動されるが、特定の都市部の複雑な社会的、人口統計学的、地理的属性をキャプチャする。
論文 参考訳(メタデータ) (2020-01-28T20:51:49Z)
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。