論文の概要: Multiple-Input Fourier Neural Operator (MIFNO) for source-dependent 3D elastodynamics

• arxiv url: http://arxiv.org/abs/2404.10115v2
• Date: Wed, 02 Oct 2024 11:59:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-03 15:16:34.842815
• Title: Multiple-Input Fourier Neural Operator (MIFNO) for source-dependent 3D elastodynamics
• Title（参考訳）: 音源依存型3次元エラストダイナミックスのための多重入力フーリエニューラル演算子(MIFNO)
• Authors: Fanny Lehmann, Filippo Gatti, Didier Clouteau,
• Abstract要約: この研究は、材料特性を表す構造化3Dフィールドを扱うためのMultiple-Input Fourier Neural Operator (MIFNO)を導入している。 MIFNOは、地球の地殻における弾性波伝搬の問題に適用される。 HEMEWS-3Dデータベース上で, 異種領域の地震シミュレーションを30万回行った。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Numerical simulations are essential tools to evaluate the solution of the wave equation in complex settings, such as three-dimensional (3D) domains with heterogeneous properties. However, their application is limited by high computational costs and existing surrogate models lack the flexibility of numerical solvers. This work introduces the Multiple-Input Fourier Neural Operator (MIFNO) to deal with structured 3D fields representing material properties as well as vectors describing the source characteristics. The MIFNO is applied to the problem of elastic wave propagation in the Earth's crust. It is trained on the HEMEW^S-3D database containing 30000 earthquake simulations in different heterogeneous domains with random source positions and orientations. Outputs are time- and space-dependent surface wavefields. The MIFNO predictions are assessed as good to excellent based on Goodness-Of-Fit (GOF) criteria. Wave arrival times and wave fronts' propagation are very accurate since 80% of the predictions have an excellent phase GOF. The fluctuations amplitudes are good for 87% of the predictions. The envelope score is hindered by the small-scale fluctuations that are challenging to capture due to the complex physical phenomena associated with high-frequency features. Nevertheless, the MIFNO can generalize to sources located outside the training domain and it shows good generalization ability to a real complex overthrust geology. When focusing on a region of interest, transfer learning improves the accuracy with limited additional costs, since GOF scores improved by more than 1 GOF unit with only 500 additional specific samples. The MIFNO is the first surrogate model offering the flexibility of an earthquake simulator with varying sources and material properties. Its good accuracy and massive speed-up offer new perspectives to replace numerical simulations in many-query problems.
• Abstract（参考訳）: 数値シミュレーションは、複素条件下での波動方程式の解を評価するのに欠かせないツールである。 しかし、それらの応用は高い計算コストで制限されており、既存のサロゲートモデルは数値解法の柔軟性を欠いている。 この研究は、材料特性を表す3Dフィールドとソース特性を記述するベクトルを扱うためのMultiple-Input Fourier Neural Operator (MIFNO)を導入している。 MIFNOは、地球の地殻における弾性波伝搬の問題に適用される。 HEMEW^S-3Dデータベース上で, 震源位置と方位のランダムな異なる異種領域における30000の地震シミュレーションをトレーニングした。 出力は時間と空間に依存した表面波動場である。 MIFNO予測は、Goodness-Of-Fit(GOF)の基準に基づいて、優れた精度で評価される。 予測の80%が優れた位相GOFを持つため、波の到来時間と波面の伝播は非常に正確である。 変動振幅は予測の87%に良い。 エンベロープスコアは、高周波の特徴に関連した複雑な物理現象のため、捕捉が困難な小規模変動によって妨げられる。 それでも、MIFNOはトレーニング領域外にあるソースに一般化することができ、実際の複雑なオーバースラスト地質に対して優れた一般化能力を示す。 興味のある領域に焦点を合わせると、転送学習は、GOFのスコアが1つ以上のGOFユニットによって改善され、500以上の特定のサンプルしか追加されないため、追加コストが制限された精度を向上させる。 MIFNOは、様々なソースと材料特性を持つ地震シミュレータの柔軟性を提供する最初のサロゲートモデルである。 その精度と大幅なスピードアップは、多くのクエリー問題における数値シミュレーションを置き換える新しい視点を提供する。

関連論文リスト

• Efficient and generalizable nested Fourier-DeepONet for three-dimensional geological carbon sequestration [5.77922305904338]
  データ駆動機械学習を用いた代理モデリングは、物理学に基づくシミュレーションを加速する上で有望な代替手段となっている。 我々は、FNOの表現性と深層演算ネットワーク(DeepONet)のモジュラリティを組み合わせることにより、ネストしたフーリエ・ディープONetを開発した。 この新しいフレームワークは、トレーニング用のネストされたFNOの2倍効率が高く、少なくとも80%低いGPUメモリを必要とする。
  論文  参考訳（メタデータ） (2024-09-25T02:58:45Z)
• Global-local Fourier Neural Operator for Accelerating Coronal Magnetic Field Model [17.256941005824576]
  FNOの2つの分岐を含むグローバルローカルフーリエニューラル演算子(GL-FNO)を提案する。 GLFNOの性能は、FNO、U-NO、U-FNO、Vision Transformer、CNN-RNN、CNN-LSTMといった最先端のディープラーニング手法と比較される。 その結果、GL-FNOはMHDシミュレーションを加速するだけでなく、信頼性の高い予測能力も提供し、宇宙気象力学の理解に大きく貢献することが示された。
  論文  参考訳（メタデータ） (2024-05-21T13:04:53Z)
• Spherical Fourier Neural Operators: Learning Stable Dynamics on the Sphere [53.63505583883769]
  球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。 SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
  論文  参考訳（メタデータ） (2023-06-06T16:27:17Z)
• Fourier-DeepONet: Fourier-enhanced deep operator networks for full waveform inversion with improved accuracy, generalizability, and robustness [4.186792090302649]
  FWI(Full Waveform Inversion)は、非最適化問題を解くことにより、波形データから構造情報を推測する。 そこで我々は、FWIの周波数や音源の位置を含む情報源を一般化したニューラルネットワーク(Fourier-DeepONet)を開発した。 実験により,Fourier-DeepONetはより高精度な地下構造予測を行うことができた。
  論文  参考訳（メタデータ） (2023-05-26T22:17:28Z)
• Fourier Neural Operator Surrogate Model to Predict 3D Seismic Waves Propagation [0.0]
  我々は、SEM3Dという高忠実度シミュレーションコードを用いて、3万の異なる地質が生成する地動の広範なデータベースを構築している。 フーリエ・ニューラル・オペレーターは,基礎となる地質が大きな不均一性を示す場合でも,正確な接地運動を実現できることを示す。 データベースの一般化により,地質学的特徴が地盤運動に与える影響を評価するために,我々のモデルが利用できると信じている。
  論文  参考訳（メタデータ） (2023-04-20T12:01:58Z)
• Fourier-MIONet: Fourier-enhanced multiple-input neural operators for multiphase modeling of geological carbon sequestration [3.3058870667947646]
  多孔質媒質中の多相流は、GCSに付随する表面におけるCO$$マイグレーションと圧力場を理解するために不可欠である。 本稿では,多孔質媒体における多相流問題の解演算子を学習するために,フーリエ強化多入力ニューラル演算子(フーリエ・ミオネット)を開発した。 改良されたFNO (U-FNO) と比較して、提案されたフーリエ・ミオネトは未知のパラメータが90%少なく、非常に少ない時間で訓練できる。
  論文  参考訳（メタデータ） (2023-03-08T18:20:56Z)
• Variational waveguide QED simulators [58.720142291102135]
  導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。 ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
  論文  参考訳（メタデータ） (2023-02-03T18:55:08Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
  本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。 3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
  論文  参考訳（メタデータ） (2022-03-24T07:26:29Z)
• Quaternion Factorization Machines: A Lightweight Solution to Intricate Feature Interaction Modelling [76.89779231460193]
  factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。 本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
  論文  参考訳（メタデータ） (2021-04-05T00:02:36Z)

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。