論文の概要: DiffPINN: Generative diffusion-initialized physics-informed neural networks for accelerating seismic wavefield representation

• arxiv url: http://arxiv.org/abs/2506.00471v1
• Date: Sat, 31 May 2025 08:41:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.193105
• Title: DiffPINN: Generative diffusion-initialized physics-informed neural networks for accelerating seismic wavefield representation
• Title（参考訳）: DiffPINN: 波動場表現を高速化する拡散初期化物理インフォームニューラルネットワーク
• 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、地震波場モデリングのための強力なフレームワークを提供する。 PINNは通常、異なる速度モデルに適用する場合、時間を要する。 高速かつ効果的なPINN初期化のための潜伏拡散に基づく戦略を導入する。
• 参考スコア（独自算出の注目度）: 3.069335774032178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-informed neural networks (PINNs) offer a powerful framework for seismic wavefield modeling, yet they typically require time-consuming retraining when applied to different velocity models. Moreover, their training can suffer from slow convergence due to the complexity of of the wavefield solution. To address these challenges, we introduce a latent diffusion-based strategy for rapid and effective PINN initialization. First, we train multiple PINNs to represent frequency-domain scattered wavefields for various velocity models, then flatten each trained network's parameters into a one-dimensional vector, creating a comprehensive parameter dataset. Next, we employ an autoencoder to learn latent representations of these parameter vectors, capturing essential patterns across diverse PINN's parameters. We then train a conditional diffusion model to store the distribution of these latent vectors, with the corresponding velocity models serving as conditions. Once trained, this diffusion model can generate latent vectors corresponding to new velocity models, which are subsequently decoded by the autoencoder into complete PINN parameters. Experimental results indicate that our method significantly accelerates training and maintains high accuracy across in-distribution and out-of-distribution velocity scenarios.
• 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、地震波動場モデリングの強力なフレームワークを提供するが、通常、異なる速度モデルに適用する場合、時間を要する。 さらに、それらのトレーニングは波動場の解の複雑さのために緩やかな収束に苦しむことがある。 これらの課題に対処するために,迅速かつ効果的なPINN初期化のための潜伏拡散型戦略を導入する。 まず、複数のPINNを訓練して、様々な速度モデルのための周波数領域散乱波動場を表現し、訓練された各ネットワークのパラメータを1次元ベクトルに平坦化し、包括的なパラメータデータセットを作成する。 次に、これらのパラメータベクトルの潜在表現を学習するためにオートエンコーダを使用し、多様なPINNパラメータにまたがる必須パターンをキャプチャする。 次に、条件として対応する速度モデルを用いて、これらの潜伏ベクトルの分布を記憶するために条件拡散モデルを訓練する。 訓練後、この拡散モデルは新しい速度モデルに対応する潜在ベクトルを生成することができ、後にオートエンコーダによって完全なPINNパラメータにデコードされる。 実験結果から,本手法はトレーニングを著しく加速し,分布内および分布外速度シナリオ間で高い精度を維持することが示唆された。

関連論文リスト

• Gabor-Enhanced Physics-Informed Neural Networks for Fast Simulations of Acoustic Wavefields [2.8948274245812327]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式の解法として注目されている。 本稿ではGabor関数を組み込んだ簡易なPINNフレームワークを提案する。 従来の PINN とガボルベース PINN と比較して, 精度, 収束性, 堅牢性を向上した。
  論文  参考訳（メタデータ） (2025-02-24T13:25:40Z)
• Multi-frequency wavefield solutions for variable velocity models using meta-learning enhanced low-rank physics-informed neural network [3.069335774032178]
  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。
  論文  参考訳（メタデータ） (2025-02-02T20:12:39Z)
• Neural Network Diffusion [45.851945143942885]
  拡散モデルはランダムノイズから潜在表現を合成するために訓練される。 このモデルは次に新しい表現を生成し、オートエンコーダのデコーダを通過してハイパフォーマンスなネットワークパラメータの新しいサブセットを生成する。
  論文  参考訳（メタデータ） (2024-02-20T16:59:03Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• 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。