論文の概要: Fast ground penetrating radar dual-parameter full waveform inversion method accelerated by hybrid compilation of CUDA kernel function and PyTorch

• arxiv url: http://arxiv.org/abs/2506.20513v1
• Date: Wed, 25 Jun 2025 15:00:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.800916
• Title: Fast ground penetrating radar dual-parameter full waveform inversion method accelerated by hybrid compilation of CUDA kernel function and PyTorch
• Title（参考訳）: CUDAカーネル関数とPyTorchのハイブリッドコンパイルによる高速地中レーダ2パラメータフル波形インバージョン法
• Authors: Lei Liu, Chao Song, Liangsheng He, Silin Wang, Xuan Feng, Cai Liu,
• Abstract要約: 本研究では、地中レーダ(GPR)のための高性能フルウェーブフォーム・インバージョン・フレームワーク(FWI)を提案する。 FWIはカーネル関数とPyTorchのハイブリッドコンパイルによって高速化される。 これらの特徴により, 提案手法は土木工学, 環境モニタリング, 物理探査などの応用において, 高速GPRに基づく地下イメージングのための実用的でスケーラブルな枠組みとなっている。
• 参考スコア（独自算出の注目度）: 7.43236316911649
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study proposes a high-performance dual-parameter full waveform inversion framework (FWI) for ground-penetrating radar (GPR), accelerated through the hybrid compilation of CUDA kernel functions and PyTorch. The method leverages the computational efficiency of GPU programming while preserving the flexibility and usability of Python-based deep learning frameworks. By integrating customized CUDA kernels into PyTorch's automatic differentiation mechanism, the framework enables accurate and efficient inversion of both dielectric permittivity and electrical conductivity. Experimental evaluations on synthetic data and real wavefield data demonstrate that the proposed method achieves dual-parameter FWI for GPR data while maintaining high accuracy. Moreover, the framework is flexible and extensible, supporting optional regularization strategies such as total variation and multi-scale inversion. These features make the proposed approach a practical and scalable framework for rapid GPR-based subsurface imaging in applications including civil engineering, environmental monitoring, and geophysical exploration.
• Abstract（参考訳）: 本研究では、CUDAカーネル関数とPyTorchのハイブリッドコンパイルにより高速化された地上通過レーダ(GPR)のための高性能デュアルパラメータフル波形インバージョンフレームワーク(FWI)を提案する。 この方法は、Pythonベースのディープラーニングフレームワークの柔軟性とユーザビリティを維持しながら、GPUプログラミングの計算効率を活用する。 カスタマイズされたCUDAカーネルをPyTorchの自動微分機構に統合することにより、誘電率と電気伝導率の両方の正確かつ効率的な反転を可能にする。 合成データと実波場データを用いた実験により,GPRデータの2パラメータFWIを実現し,精度を向上した。 さらに、フレームワークは柔軟で拡張性があり、総変量やマルチスケールインバージョンといった任意の正規化戦略をサポートする。 これらの特徴により, 提案手法は, 土木工学, 環境モニタリング, 地物理探査などの応用において, 高速GPRに基づく地下イメージングのための実用的でスケーラブルな枠組みとなっている。

関連論文リスト

• POLARON: Precision-aware On-device Learning and Adaptive Runtime-cONfigurable AI acceleration [0.0]
  本研究は,効率的な乗算累積演算を行うSIMD対応マルチ精度MACエンジンを提案する。 このアーキテクチャは、計算精度をワークロードの感度に合わせるための層適応的精度戦略を取り入れている。 その結果,PDPは最大で2倍,資源使用量は3倍に改善した。
  論文  参考訳（メタデータ） (2025-06-10T13:33:02Z)
• Preconditioned Additive Gaussian Processes with Fourier Acceleration [2.292881746604941]
  本稿では,カーネル行列とその導関数の乗算において,ほぼ線形な複雑性を実現するための行列フリー手法を提案する。 高次元問題に対処するために,加法的カーネルアプローチを提案する。 各サブカーネルは低次の特徴相互作用をキャプチャし、NFFT法の効率的な適用を可能にする。
  論文  参考訳（メタデータ） (2025-04-01T07:14:06Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Lightweight Deep Learning Framework for Accurate Particle Flow Energy Reconstruction [8.598010350935596]
  本稿では,ディープラーニング再構築の枠組みを体系的に評価する。 重み付き平均2乗と誤差構造類似度指数を組み合わせたハイブリッド損失関数を設計する。 我々は,モーダル時間的相関とエネルギー変位非線形性を捉えるモデルの能力を強化する。
  論文  参考訳（メタデータ） (2024-10-08T11:49:18Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA [20.629635991749808]
  本稿では,フィールドプログラマブルゲートアレイ(FPGA)ベースのアクセラレータを効率よく生成するアルゴリズムとハードウェアの共同設計フレームワークを提案する。 アルゴリズムレベルでは、計算とメモリのオーバーヘッドを低減した、新しいマルチエグジット・ドロップアウトベースのベイズNNを提案する。 ハードウェアレベルでは,提案する効率的なベイズNNのためのFPGAベースのアクセラレータを生成するための変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-20T17:08:42Z)
• Model-aware reinforcement learning for high-performance Bayesian experimental design in quantum metrology [0.4999814847776097]
  量子センサは、様々なパラメータにわたる実験者による操作を可能にすることで、推定中に制御の柔軟性を提供する。 量子力学、推定、仮説テストにおいて、幅広い問題を最適化できる汎用的な手順を導入する。 粒子フィルタリングに基づくモデル認識強化学習(RL)とベイズ推定を組み合わせた。
  論文  参考訳（メタデータ） (2023-12-28T12:04:15Z)
• GPS-Gaussian: Generalizable Pixel-wise 3D Gaussian Splatting for Real-time Human Novel View Synthesis [70.24111297192057]
  我々は、文字の新たなビューをリアルタイムに合成するための新しいアプローチ、GPS-Gaussianを提案する。 提案手法は,スパースビューカメラ設定下での2K解像度のレンダリングを可能にする。
  論文  参考訳（メタデータ） (2023-12-04T18:59:55Z)

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。