論文の概要: 3-D Magnetotelluric Deep Learning Inversion Guided by Pseudo-Physical Information
- arxiv url: http://arxiv.org/abs/2410.09388v2
- Date: Fri, 18 Oct 2024 11:23:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 14:44:04.793014
- Title: 3-D Magnetotelluric Deep Learning Inversion Guided by Pseudo-Physical Information
- Title（参考訳）: 擬似物理情報を用いた3次元恒星深層学習インバージョン
- Authors: Peifan Jiang, Xuben Wang, Shuang Wang, Fei Deng, Kunpeng Wang, Bin Wang, Yuhan Yang, Islam Fadel,
- Abstract要約: 近年,ジョイントデータ駆動と物理駆動を併用したDLインバージョン法が注目されている。
本稿では、ニューラルネットワーク(NN)の前方モデリングを通して擬似物理情報を導入し、損失のこの部分を計算する。
本研究では,3次元MTインバージョンにおけるフィールドデータ環境をシミュレートし,マスキングとノイズ付加を含む新しい入力モードを提案する。
- 参考スコア（独自算出の注目度）: 11.303727578628575
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetotelluric deep learning (DL) inversion methods based on joint data-driven and physics-driven have become a hot topic in recent years. When mapping observation data (or forward modeling data) to the resistivity model using neural networks (NNs), incorporating the error (loss) term of the inversion resistivity's forward modeling response--which introduces physical information about electromagnetic field propagation--can significantly enhance the inversion accuracy. To efficiently achieve data-physical dual-driven MT deep learning inversion for large-scale 3-D MT data, we propose using DL forward modeling networks to compute this portion of the loss. This approach introduces pseudo-physical information through the forward modeling of NN simulation, further guiding the inversion network fitting. Specifically, we first pre-train the forward modeling networks as fixed forward modeling operators, then transfer and integrate them into the inversion network training, and finally optimize the inversion network by minimizing the multinomial loss. Theoretical experimental results indicate that despite some simulation errors in DL forward modeling, the introduced pseudo-physical information still enhances inversion accuracy and significantly mitigates the overfitting problem during training. Additionally, we propose a new input mode that involves masking and adding noise to the data, simulating the field data environment of 3-D MT inversion, thereby making the method more flexible and effective for practical applications.
- Abstract（参考訳）: 近年,ジョイントデータ駆動と物理駆動を併用したDLインバージョン法が注目されている。
ニューラルネットワーク(NN)を用いて、観測データ(またはフォワードモデリングデータ)を比抵抗モデルにマッピングすると、逆比抵抗のフォワードモデリング応答の誤差(ロス)項が組み込まれ、電磁場伝播に関する物理情報が導入され、インバージョン精度が大幅に向上する。
大規模3次元MTデータに対するデータ-物理二重駆動型MT深層学習インバージョンを効率よく実現するために,DLフォワードモデリングネットワークを用いて損失のこの部分を計算することを提案する。
この手法は、NNシミュレーションのフォワードモデリングを通じて擬似物理情報を導入し、さらにインバージョンネットワークの適合を導出する。
具体的には,まずフォワード・モデリング・ネットワークを固定フォワード・モデリング・オペレータとして事前訓練し,次にインバージョン・ネットワーク・トレーニングに転送・統合し,最終的にマルチノード・ロスを最小化してインバージョン・ネットワークを最適化する。
理論実験の結果, DLフォワードモデリングにおけるシミュレーション誤差はいくつかあるものの, 擬似物理情報の導入はインバージョン精度を向上し, トレーニング中のオーバーフィッティング問題を著しく軽減することがわかった。
さらに,3次元MTインバージョンにおけるフィールドデータ環境をシミュレートし,マスキングとノイズ付加を含む新しい入力モードを提案する。
関連論文リスト
- Enhancing Brain Source Reconstruction through Physics-Informed 3D Neural Networks [17.023015853478043]
脳波ソースローカライゼーションのための新しいハイブリッド手法3D-PIUNetを提案する。
我々のモデルは空間的精度を大幅に向上させ,従来のデータ駆動方式とエンドツーエンド方式の両方よりも優れた性能を示す。
3D-PIUNetによる視覚野の同定に成功し,脳波データを用いて検討を行った。
論文 参考訳（メタデータ） (2024-10-31T18:43:38Z) - Physically Guided Deep Unsupervised Inversion for 1D Magnetotelluric Models [16.91835461818938]
我々は物理で導かれた新しいディープ・インバージョン・アルゴリズムを提案し、1Dマグネトロンモデル(MT)を推定する。
本手法では,コスト関数の最小化を物理的に導く,微分可能なモデリング演算子を用いる。
提案手法は, 異なる周波数でのフィールドデータと合成データを用いて検証し, 取得モデルが他の結果よりも精度が高いことを示す。
論文 参考訳（メタデータ） (2024-10-20T04:17:59Z) - Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-19T21:50:32Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Addressing Data Scarcity in Optical Matrix Multiplier Modeling Using
Transfer Learning [0.0]
本稿では,データ不足に対処するためにトランスファーラーニング(transfer learning)を用いて実験的検討を行った。
提案手法では,より精度の低い解析モデルから生成された合成データを用いて,モデルの事前学習を行う。
3x3フォトニックチップで実装された行列重みに対する1dBのルート平均二乗誤差を、利用可能なデータの25%だけを用いて達成する。
論文 参考訳（メタデータ） (2023-08-10T07:33:00Z) - 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) - Deep learning for full-field ultrasonic characterization [7.120879473925905]
本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。
直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
論文 参考訳（メタデータ） (2023-01-06T05:01:05Z) - 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) - A transfer learning enhanced the physics-informed neural network model
for vortex-induced vibration [0.0]
本稿では、VIV(2D)を研究するために、物理インフォームドニューラルネットワーク(PINN)モデルを用いたトランスファーラーニングを提案する。
物理インフォームドニューラルネットワークは、転送学習法と併用することにより、学習効率を高め、大量のデータセットを必要とせずに、ソースモデルからの共通特性知識による目標タスクの予測可能性を維持する。
論文 参考訳（メタデータ） (2021-12-29T08:20:23Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳（メタデータ） (2021-06-01T08:46:04Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z)
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。