論文の概要: High Resolution Seismic Waveform Generation using Denoising Diffusion

• arxiv url: http://arxiv.org/abs/2410.19343v1
• Date: Fri, 25 Oct 2024 07:01:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-28 13:37:14.440958
• Title: High Resolution Seismic Waveform Generation using Denoising Diffusion
• Title（参考訳）: デノイング拡散を用いた高分解能地震波形生成
• Authors: Andreas Bergmeister, Kadek Hendrawan Palgunadi, Andrea Bosisio, Laura Ermert, Maria Koroni, Nathanaël Perraudin, Simon Dirmeier, Men-Andrin Meier,
• Abstract要約: 本研究では, 高周波波形生成のための新しい, 効率的, スケーラブルな生成モデルを提案する。 地震波形データのスペクトログラム表現を、オートエンコーダを介して低次元のサブ多様体に還元する。 最先端拡散モデルを用いて、キー入力パラメータを条件に、この潜伏表現を生成する。
• 参考スコア（独自算出の注目度）: 3.5046784866523932
• License:
• Abstract: Accurate prediction and synthesis of seismic waveforms are crucial for seismic hazard assessment and earthquake-resistant infrastructure design. Existing prediction methods, such as Ground Motion Models and physics-based simulations, often fail to capture the full complexity of seismic wavefields, particularly at higher frequencies. This study introduces a novel, efficient, and scalable generative model for high-frequency seismic waveform generation. Our approach leverages a spectrogram representation of seismic waveform data, which is reduced to a lower-dimensional submanifold via an autoencoder. A state-of-the-art diffusion model is trained to generate this latent representation, conditioned on key input parameters: earthquake magnitude, recording distance, site conditions, and faulting type. The model generates waveforms with frequency content up to 50 Hz. Any scalar ground motion statistic, such as peak ground motion amplitudes and spectral accelerations, can be readily derived from the synthesized waveforms. We validate our model using commonly used seismological metrics, and performance metrics from image generation studies. Our results demonstrate that our openly available model can generate distributions of realistic high-frequency seismic waveforms across a wide range of input parameters, even in data-sparse regions. For the scalar ground motion statistics commonly used in seismic hazard and earthquake engineering studies, we show that the model accurately reproduces both the median trends of the real data and its variability. To evaluate and compare the growing number of this and similar 'Generative Waveform Models' (GWM), we argue that they should generally be openly available and that they should be included in community efforts for ground motion model evaluations.
• Abstract（参考訳）: 地震の危険度評価と耐震基盤設計には, 地震波形の正確な予測と合成が不可欠である。 地上運動モデルや物理に基づくシミュレーションのような既存の予測手法は、地震波の波動場の完全な複雑さを、特に高い周波数で捉えるのに失敗することが多い。 本研究では, 高周波波形生成のための新しい, 効率的, スケーラブルな生成モデルを提案する。 提案手法では, 地震波形データのスペクトル表現を利用して, オートエンコーダを用いて低次元のサブ多様体に還元する。 地震の大きさ, 記録距離, 現場条件, 断層タイプといった重要な入力パラメータを条件に, この潜伏表現を生成するために, 最先端拡散モデルを構築した。 モデルは50Hzまでの周波数を含む波形を生成する。 ピーク地動振幅やスペクトル加速度などのスカラー地動統計は、合成波形から容易に得ることができる。 画像生成研究からよく用いられる地震指標と性能指標を用いて,本モデルの有効性を検証した。 提案手法は,データ分散領域においても,広範囲の入力パラメータにまたがるリアルな高周波地震波形の分布を生成することができることを示す。 地震の危険度と地震工学研究によく用いられるスカラー地動統計について,本モデルが実データの中央値傾向と変動性の両方を正確に再現することを示す。 これらと類似の「生成波形モデル(GWM)」の出現数を評価・比較するためには、一般に公開され、地動モデル評価のためのコミュニティ活動に含めるべきであると論じる。

関連論文リスト

• Machine learned reconstruction of tsunami dynamics from sparse observations [0.0]
  本研究では, 津波波のフルフィールド表面高さ測定を行うために, スパースセンシング応用のためのトランスフォーマーニューラルネットワークを用いた。 我々は,USGSの過去の地震記録に対応する震源となる8つの津波シミュレーションからなるデータセット上でモデルを訓練する。 その結果, センサの少なくともいくつかが非ゼロ信号を得た場合, 真の磁場からの微細な位相と振幅特性の顕著な分解能が得られた。
  論文  参考訳（メタデータ） (2024-11-20T00:42:40Z)
• Propagating the prior from shallow to deep with a pre-trained velocity-model Generative Transformer network [2.499907423888049]
  地中速度モデルの構築は,観測・モニタリングに地震データを活用する上で,我々の目標に不可欠である。 本研究では,トランスフォーマーデコーダを用いた新しい実装であるVelocityGPTを導入する。 本研究では, 地震波速度モデル構築のための生成モデル構築におけるVelocityGPTの有効性を示す。
  論文  参考訳（メタデータ） (2024-08-19T07:56:43Z)
• Generative Geostatistical Modeling from Incomplete Well and Imaged Seismic Observations with Diffusion Models [0.24578723416255752]
  拡散生成モデルを用いて地下速度モデルを合成する新しい手法を提案する。 本手法は, 完全標本化を必要とせず, 不完全な観測と地震観測を生かし, 高忠実度速度試料を作製する。
  論文  参考訳（メタデータ） (2024-05-16T20:30:43Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
  室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。 本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
  論文  参考訳（メタデータ） (2022-12-10T20:15:23Z)
• Seismic-phase detection using multiple deep learning models for global and local representations of waveforms [0.0]
  近年の機械学習により,波形データから地震の自動検出が可能になった。 本研究では,ディープラーニングを用いた新しい位相検出手法を提案し,検証した。 提案手法の新規性は,大域的および局所的な波形表現のための個別な学習戦略である。
  論文  参考訳（メタデータ） (2022-11-04T04:37:04Z)
• 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)
• Data-driven Accelerogram Synthesis using Deep Generative Models [0.0]
  我々は、GAN(Generative Adversarial Networks)の最近の進歩を活用して、地震加速時間履歴の新しい枠組みを開発する。 我々のアプローチは、連続的な物理変数の集合上で条件付けられた基底運動の生成を可能にするために、ワッサーシュタイン GAN の定式化を拡張している。 学習したジェネレータモデルは, 大きさ, 距離, および$V_s30$で条件付きリアルな3成分加速度図を合成可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-18T02:12:14Z)
• Real Time Speech Enhancement in the Waveform Domain [99.02180506016721]
  本稿では,ラップトップCPU上でリアルタイムに動作する生波形を用いた因果音声強調モデルを提案する。 提案モデルは、スキップ接続を持つエンコーダデコーダアーキテクチャに基づいている。 静止ノイズや非定常ノイズを含む様々な背景ノイズを除去することができる。
  論文  参考訳（メタデータ） (2020-06-23T09:19:13Z)

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。