論文の概要: Physics-Trained Neural Network as Inverse Problem Solver for Potential Fields: An Example of Downward Continuation between Arbitrary Surfaces

• arxiv url: http://arxiv.org/abs/2502.05190v1
• Date: Sun, 26 Jan 2025 15:45:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-16 05:04:35.077796
• Title: Physics-Trained Neural Network as Inverse Problem Solver for Potential Fields: An Example of Downward Continuation between Arbitrary Surfaces
• Title（参考訳）: ポテンシャル場に対する逆問題解としての物理学習ニューラルネットワーク:任意面間の下向き継続例
• Authors: Jing Sun, Lu Li, Liang Zhang,
• Abstract要約: 下向きの継続は、重力や磁場を含むポテンシャル場処理において重要なタスクである。 本稿では,この課題に対する物理学習型ディープニューラルネットワーク(DNN)に基づく新しいソリューションを提案する。 提案手法を西南極の合成磁気データと実世界の磁気データの両方で検証した。
• 参考スコア（独自算出の注目度）: 9.727358008769501
• License:
• Abstract: Downward continuation is a critical task in potential field processing, including gravity and magnetic fields, which aims to transfer data from one observation surface to another that is closer to the source of the field. Its effectiveness directly impacts the success of detecting and highlighting subsurface anomalous sources. We treat downward continuation as an inverse problem that relies on solving a forward problem defined by the formula for upward continuation, and we propose a new physics-trained deep neural network (DNN)-based solution for this task. We hard-code the upward continuation process into the DNN's learning framework, where the DNN itself learns to act as the inverse problem solver and can perform downward continuation without ever being shown any ground truth data. We test the proposed method on both synthetic magnetic data and real-world magnetic data from West Antarctica. The preliminary results demonstrate its effectiveness through comparison with selected benchmarks, opening future avenues for the combined use of DNNs and established geophysical theories to address broader potential field inverse problems, such as density and geometry modelling.
• Abstract（参考訳）: 下向きの連続は、重力や磁場を含むポテンシャル場処理において重要なタスクであり、磁場の源に近いある観測面から別の観測面へデータを転送することを目的としている。 その効果は、地下異常源の検出とハイライトの成功に直接影響する。 我々は、上向き継続の公式によって定義される前方問題の解法に依存する逆問題として下向き継続を扱い、この課題に対して、新しい物理学習深層ニューラルネットワーク(DNN)に基づく解法を提案する。 そこでは,DNN自体が逆問題解決器として機能することを学び,根拠となる真理データを一切示さずに下方への継続を行えるようにし,上方への継続プロセスをDNNの学習フレームワークにハードコーディングする。 提案手法を西南極の合成磁気データと実世界の磁気データの両方で検証した。 予備的な結果は、選択されたベンチマークと比較し、DNNの併用のための将来の道を開き、密度や幾何モデリングといったより広い分野逆問題に対処するための物理理論を確立した。

関連論文リスト

• Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
  我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。 本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。 その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-14T23:53:25Z)
• A Test-Time Learning Approach to Reparameterize the Geophysical Inverse Problem with a Convolutional Neural Network [1.7396556690675236]
  明示的な正規化はよく用いられるが、ニューラルネットワーク構造に固有の暗黙的な正規化効果を探求する機会がある。 研究者たちは、畳み込みニューラルネットワーク(CNN)アーキテクチャが本質的に正規化を強制していることを発見した。 本研究では,この暗黙的正則化の地学逆転への適用性について検討する。
  論文  参考訳（メタデータ） (2023-12-07T23:53:30Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
  科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。 ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。 GNNを用いて計算速度を最大90倍に向上させる。
  論文  参考訳（メタデータ） (2022-06-01T18:48:01Z)
• Physics informed neural networks for continuum micromechanics [68.8204255655161]
  近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。 グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。 実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
  論文  参考訳（メタデータ） (2021-10-14T14:05:19Z)
• Learning in Sinusoidal Spaces with Physics-Informed Neural Networks [22.47355575565345]
  物理インフォームドニューラルネットワーク(PINN)は、物理増強された損失関数を用いて、その出力が基本的な物理法則と一致していることを保証する。 実際に多くの問題に対して正確なPINNモデルをトレーニングすることは困難であることが判明した。
  論文  参考訳（メタデータ） (2021-09-20T07:42:41Z)
• Conditional physics informed neural networks [85.48030573849712]
  固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。 一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
  論文  参考訳（メタデータ） (2021-04-06T18:29:14Z)
• Physics Informed Convex Artificial Neural Networks (PICANNs) for Optimal Transport based Density Estimation [13.807546494746207]
  連続的な最適質量輸送問題を解決するための深層学習手法を提案する。 統計学と機械学習におけるユビキタス密度推定と生成モデリングタスクに注目した。
  論文  参考訳（メタデータ） (2021-04-02T18:44:11Z)
• A Mathematical Principle of Deep Learning: Learn the Geodesic Curve in the Wasserstein Space [2.66512000865131]
  我々は,ディープニューラルネットワーク(dnn)と動的システムの接続を構築する。 最適輸送理論を潜ることにより、ウェイセルシュタイン空間の測地線曲線を学習しようとする重み減衰を持つDNNが見つかる。 深層学習の数学的原理は、ワッサーシュタイン空間の測地線曲線を学ぶことである。
  論文  参考訳（メタデータ） (2021-02-18T09:37:49Z)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)
• Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。 コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
  論文  参考訳（メタデータ） (2020-06-30T14:56:05Z)

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。