論文の概要: Leveraging Deep Operator Networks (DeepONet) for Acoustic Full Waveform Inversion (FWI)

• arxiv url: http://arxiv.org/abs/2504.10720v1
• Date: Mon, 14 Apr 2025 21:24:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:07:20.429551
• Title: Leveraging Deep Operator Networks (DeepONet) for Acoustic Full Waveform Inversion (FWI)
• Title（参考訳）: 音響フルウェーブフォームインバージョン(FWI)のためのディープオペレータネットワーク(DeepONet)の活用
• Authors: Kamaljyoti Nath, Khemraj Shukla, Victor C. Tsai, Umair bin Waheed, Christian Huber, Omer Alpak, Chuen-Song Chen, Ligang Lu, Amik St-Cyr,
• Abstract要約: フルウェーブフォーム・インバージョン(FWI)は地下特性予測において重要な手法である。 FWIは、地震データから高解像度の地球内部モデルを予測する逆問題を解決する。 本研究では,Deep Operator Networks (DeepONet) を利用してFWIの効率性と精度を向上させる手法を提案する。
• 参考スコア（独自算出の注目度）: 2.3036557956750867
• License:
• Abstract: Full Waveform Inversion (FWI) is an important geophysical technique considered in subsurface property prediction. It solves the inverse problem of predicting high-resolution Earth interior models from seismic data. Traditional FWI methods are computationally demanding. Inverse problems in geophysics often face challenges of non-uniqueness due to limited data, as data are often collected only on the surface. In this study, we introduce a novel methodology that leverages Deep Operator Networks (DeepONet) to attempt to improve both the efficiency and accuracy of FWI. The proposed DeepONet methodology inverts seismic waveforms for the subsurface velocity field. This approach is able to capture some key features of the subsurface velocity field. We have shown that the architecture can be applied to noisy seismic data with an accuracy that is better than some other machine learning methods. We also test our proposed method with out-of-distribution prediction for different velocity models. The proposed DeepONet shows comparable and better accuracy in some velocity models than some other machine learning methods. To improve the FWI workflow, we propose using the DeepONet output as a starting model for conventional FWI and that it may improve FWI performance. While we have only shown that DeepONet facilitates faster convergence than starting with a homogeneous velocity field, it may have some benefits compared to other approaches to constructing starting models. This integration of DeepONet into FWI may accelerate the inversion process and may also enhance its robustness and reliability.
• Abstract（参考訳）: フルウェーブフォーム・インバージョン(FWI)は地下特性予測において重要な物理手法である。 これは地震データから高解像度地球内部モデルを予測する逆問題である。 従来のFWIメソッドは、計算的に要求される。 測地学における逆問題はしばしば、データは地表でのみ収集されるため、限られたデータによって不均一な問題に直面している。 本研究では,Deep Operator Networks (DeepONet) を利用してFWIの効率性と精度を向上させる手法を提案する。 提案手法は地下速度場に対する地震波形を逆転させる。 このアプローチは、地下速度場のいくつかの重要な特徴を捉えることができる。 このアーキテクチャは,他の機械学習手法よりも高い精度で,ノイズの多い地震データに適用可能であることを示す。 また,異なる速度モデルに対する分布外予測を用いて提案手法を検証した。 提案したDeepONetは、いくつかの速度モデルにおいて、他の機械学習手法と同等かつ優れた精度を示している。 FWIのワークフローを改善するため、従来のFWIの開始モデルとしてDeepONet出力を用い、FWI性能を改善することを提案する。 DeepONetは、均一な速度場から始めるよりも高速な収束を促進することが示されているが、開始モデルを構築する他のアプローチと比較して、いくつかの利点があるかもしれない。 このDeepONetをFWIに統合することで、インバージョンプロセスが加速し、堅牢性と信頼性が向上する可能性がある。

関連論文リスト

• DispFormer: Pretrained Transformer for Flexible Dispersion Curve Inversion from Global Synthesis to Regional Applications [59.488352977043974]
  本研究では、レイリー波位相と群分散曲線から$v_s$プロファイルを反転させるトランスフォーマーベースのニューラルネットワークであるDispFormerを提案する。 結果は、ラベル付きデータなしでもゼロショットのDispFormerは、基底の真実とよく一致する逆プロファイルを生成することを示している。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
  既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。 我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。 FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
  論文  参考訳（メタデータ） (2024-08-13T04:33:23Z)
• A Physics-guided Generative AI Toolkit for Geophysical Monitoring [13.986582633154226]
  フルウェーブフォーム・インバージョン(FWI)は地下探査において重要な役割を担っている。 物理原理で導かれる拡散モデルを用いて高忠実度速度マップを生成するEdGeoツールキットを提案する。
  論文  参考訳（メタデータ） (2024-01-06T06:09:05Z)
• RFTrans: Leveraging Refractive Flow of Transparent Objects for Surface Normal Estimation and Manipulation [50.10282876199739]
  本稿では、透明物体の表面正規化と操作のためのRGB-Dに基づくRFTransを提案する。 RFNetは屈折流、物体マスク、境界を予測し、次いでF2Netは屈折流から表面の正常を推定する。 現実のロボットがタスクをつかむと、成功率は83%となり、屈折流が直接シミュレートから現実への移動を可能にすることが証明される。
  論文  参考訳（メタデータ） (2023-11-21T07:19:47Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• 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)
• Implicit Full Waveform Inversion with Deep Neural Representation [91.3755431537592]
  連続的かつ暗黙的に定義されたディープニューラル表現を用いた暗黙完全波形逆変換(IFWI)アルゴリズムを提案する。 理論的および実験的解析は、ランダムな初期モデルが与えられた場合、IFWIが大域的な最小値に収束できることを示している。 IFWIは、様々な2次元地質モデルの実験で実証される、ある程度の堅牢性と強い一般化能力を持っている。
  論文  参考訳（メタデータ） (2022-09-08T01:54:50Z)
• Unsupervised Learning of Full-Waveform Inversion: Connecting CNN and Partial Differential Equation in a Loop [13.1144828613672]
  フルウェーブフォーム・インバージョン(FWI)は、地震データから地下の速度マップを推定するために地球物理学で広く用いられている。 我々は、コミュニティにとってより困難なベンチマークを確立するために、新しい大規模データセットOpenFWIを紹介します。 実験結果から,我々のモデル(地震データのみを用いた)は,教師付きモデルと同等の精度が得られることがわかった。
  論文  参考訳（メタデータ） (2021-10-14T17:47:22Z)
• Data-driven Full-waveform Inversion Surrogate using Conditional Generative Adversarial Networks [0.0]
  フル波形インバージョン(FWI)速度モデリングは、正確で詳細な速度場モデルを提供する反復的な高度な技術です。 本研究では,複数の入力を持つ条件付き生成逆数ネットワーク(cGAN)を用いて,FWIによって得られた速度場モデルを生成する手法を提案する。
  論文  参考訳（メタデータ） (2021-04-30T21:41:24Z)
• Incorporating Kinematic Wave Theory into a Deep Learning Method for High-Resolution Traffic Speed Estimation [3.0969191504482243]
  本研究では, 波動に基づく深部畳み込みニューラルネットワーク(Deep CNN)を提案し, スパースプローブ車両軌道から高分解能交通速度のダイナミクスを推定する。 我々は,既存の学習に基づく推定手法の堅牢性を改善するために,運動波理論の原理を取り入れるための2つの重要なアプローチを導入する。
  論文  参考訳（メタデータ） (2021-02-04T21:51:25Z)

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。