論文の概要: Multi-frequency wavefield solutions for variable velocity models using meta-learning enhanced low-rank physics-informed neural network

• arxiv url: http://arxiv.org/abs/2502.00897v1
• Date: Sun, 02 Feb 2025 20:12:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:53:38.575831
• Title: Multi-frequency wavefield solutions for variable velocity models using meta-learning enhanced low-rank physics-informed neural network
• Title（参考訳）: メタラーニング強化低ランク物理インフォームドニューラルネットワークを用いた可変速度モデルのための多周波数波面解
• Authors: Shijun Cheng, Tariq Alkhalifah,
• Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は、複雑な速度モデルにおける多周波波場をモデル化する上で大きな課題に直面している。 本稿では,低ランクパラメータ化とメタラーニング,周波数埋め込みを組み合わせた新しいフレームワークMeta-LRPINNを提案する。 数値実験により,Meta-LRPINNはベースライン法に比べて高速に収束し,精度が高いことがわかった。
• 参考スコア（独自算出の注目度）: 3.069335774032178
• License:
• Abstract: Physics-informed neural networks (PINNs) face significant challenges in modeling multi-frequency wavefields in complex velocity models due to their slow convergence, difficulty in representing high-frequency details, and lack of generalization to varying frequencies and velocity scenarios. To address these issues, we propose Meta-LRPINN, a novel framework that combines low-rank parameterization using singular value decomposition (SVD) with meta-learning and frequency embedding. Specifically, we decompose the weights of PINN's hidden layers using SVD and introduce an innovative frequency embedding hypernetwork (FEH) that links input frequencies with the singular values, enabling efficient and frequency-adaptive wavefield representation. Meta-learning is employed to provide robust initialization, improving optimization stability and reducing training time. Additionally, we implement adaptive rank reduction and FEH pruning during the meta-testing phase to further enhance efficiency. Numerical experiments, which are presented on multi-frequency scattered wavefields for different velocity models, demonstrate that Meta-LRPINN achieves much fast convergence speed and much high accuracy compared to baseline methods such as Meta-PINN and vanilla PINN. Also, the proposed framework shows strong generalization to out-of-distribution frequencies while maintaining computational efficiency. These results highlight the potential of our Meta-LRPINN for scalable and adaptable seismic wavefield modeling.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、複雑な速度モデルにおける多周波波場をモデル化する上で重要な課題に直面している。 これらの問題に対処するために,特異値分解(SVD)を用いた低ランクパラメータ化とメタラーニングと周波数埋め込みを組み合わせた新しいフレームワーク,Meta-LRPINNを提案する。 具体的には、SVDを用いてPINNの隠蔽層の重みを分解し、入力周波数と特異値とを結びつける革新的な周波数埋め込みハイパーネットワーク(FEH)を導入し、効率よく周波数適応型ウェーブフィールド表現を可能にする。 メタラーニングは、堅牢な初期化を提供し、最適化の安定性を改善し、トレーニング時間を短縮するために使用される。 さらに,メタテストフェーズにおいて,適応的なランクリダクションとFEHプルーニングを実装し,効率を向上する。 異なる速度モデルのための多周波散乱波場に関する数値実験により、Meta-LRPINNはMeta-PINNやVanilla PINNのようなベースライン法と比較して、はるかに高速で精度の高い収束速度が得られることを示した。 また,提案手法は,計算効率を保ちながら分布外周波数の強い一般化を示す。 これらの結果は,スケーラブルで適応可能な地震波動場モデリングのためのメタLRPINNの可能性を強調した。

関連論文リスト

• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Spatial Annealing for Efficient Few-shot Neural Rendering [73.49548565633123]
  我々はtextbfSpatial textbf Annealing regularized textbfNeRF (textbfSANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。 単に1行のコードを追加することで、SANeRFは、現在の数ショットのニューラルレンダリング方法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
  論文  参考訳（メタデータ） (2024-06-12T02:48:52Z)
• Efficient Numerical Wave Propagation Enhanced By An End-to-End Deep Learning Model [0.0]
  本稿では,数値解法とディープラーニングコンポーネントをエンドツーエンドのフレームワークに統合する,新しい統合システムを提案する。 安定かつ高速な解法により、高周波波成分を補正する並列時間アルゴリズムであるPararealが利用可能となる。
  論文  参考訳（メタデータ） (2024-02-04T00:07:05Z)
• GaborPINN: Efficient physics informed neural networks using multiplicative filtered networks [0.0]
  物理インフォームドニューラルネットワーク(PINN)は、ニューラルネットワーク(NN)で表される機能的ウェーブフィールドソリューションを提供する 本稿では,学習における波動場の特徴のいくつかを組み込んだ乗算フィルタネットワークを用いた改良PINNを提案する。 提案手法は,従来のPINNと比較して,収束速度が最大2マグニチュード向上する。
  論文  参考訳（メタデータ） (2023-08-10T19:51:00Z)
• Incremental Spatial and Spectral Learning of Neural Operators for Solving Large-Scale PDEs [86.35471039808023]
  Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。 iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。 提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
  論文  参考訳（メタデータ） (2022-11-28T09:57:15Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Solving Seismic Wave Equations on Variable Velocity Models with Fourier Neural Operator [3.2307366446033945]
  本稿では,FNOに基づく解法を効率的に学習するための新しいフレームワークであるFourier Neural operator (PFNO)を提案する。 数値実験により、複雑な速度モデルによるFNOとPFNOの精度が示された。 PFNOは、従来の有限差分法と比較して、大規模なテストデータセットの計算効率が高いことを認めている。
  論文  参考訳（メタデータ） (2022-09-25T22:25:57Z)
• Wave simulation in non-smooth media by PINN with quadratic neural network and PML condition [2.7651063843287718]
  最近提案された物理インフォームドニューラルネットワーク(PINN)は、幅広い偏微分方程式(PDE)を解くことに成功している。 本稿では、波動方程式の代わりにPINNを用いて周波数領域における音響および粘性音響散乱波動方程式を解き、震源の摂動を除去する。 PMLと2次ニューロンは、その効果と減衰を改善できることを示し、この改善の理由を議論する。
  論文  参考訳（メタデータ） (2022-08-16T13:29:01Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• PINNup: Robust neural network wavefield solutions using frequency upscaling and neuron splitting [0.0]
  本稿では,周波数アップスケーリングとニューロン分割を用いた新しいPINNの実装を提案する。 提案したPINNは収束と精度において顕著な優位性を示す。 2層モデルでニューロンベースの高周波波動場解が得られる。
  論文  参考訳（メタデータ） (2021-09-29T16:35:50Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)

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。