論文の概要: Geological Everything Model 3D: A Promptable Foundation Model for Unified and Zero-Shot Subsurface Understanding

• arxiv url: http://arxiv.org/abs/2507.00419v1
• Date: Tue, 01 Jul 2025 04:14:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.26864
• Title: Geological Everything Model 3D: A Promptable Foundation Model for Unified and Zero-Shot Subsurface Understanding
• Title（参考訳）: Geological Everything Model 3D: Unified and Zero-Shot Subground Understandingのための確率的基礎モデル
• Authors: Yimin Dou, Xinming Wu, Nathan L Bangs, Harpreet Singh Sethi, Jintao Li, Hang Gao, Zhixiang Guo,
• Abstract要約: Geological Everything Model 3D (GEM) は、タスクを迅速な条件付き推論として再構成する統合生成アーキテクチャである。 GEMは、新しいタスクやデータソースを再訓練することなく、不均一なプロンプト型を持つタスク間でゼロショットの一般化を実現する。 GEMは、火星レーダー層序解析、沈み込み帯の構造的解釈、完全な地震層序解釈、地体デライン化、資産モデリングなど、調査やタスクに幅広い適用性を示す。
• 参考スコア（独自算出の注目度）: 8.832957977030198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding Earth's subsurface is critical for energy transition, natural hazard mitigation, and planetary science. Yet subsurface analysis remains fragmented, with separate models required for structural interpretation, stratigraphic analysis, geobody segmentation, and property modeling-each tightly coupled to specific data distributions and task formulations. We introduce the Geological Everything Model 3D (GEM), a unified generative architecture that reformulates all these tasks as prompt-conditioned inference along latent structural frameworks derived from subsurface imaging. This formulation moves beyond task-specific models by enabling a shared inference mechanism, where GEM propagates human-provided prompts-such as well logs, masks, or structural sketches-along inferred structural frameworks to produce geologically coherent outputs. Through this mechanism, GEM achieves zero-shot generalization across tasks with heterogeneous prompt types, without retraining for new tasks or data sources. This capability emerges from a two-stage training process that combines self-supervised representation learning on large-scale field seismic data with adversarial fine-tuning using mixed prompts and labels across diverse subsurface tasks. GEM demonstrates broad applicability across surveys and tasks, including Martian radar stratigraphy analysis, structural interpretation in subduction zones, full seismic stratigraphic interpretation, geobody delineation, and property modeling. By bridging expert knowledge with generative reasoning in a structurally aware manner, GEM lays the foundation for scalable, human-in-the-loop geophysical AI-transitioning from fragmented pipelines to a vertically integrated, promptable reasoning system. Project page: https://douyimin.github.io/GEM
• Abstract（参考訳）: 地球の地下を理解することは、エネルギー遷移、自然災害軽減、惑星科学にとって重要である。 しかし、地下分析は断片化され続けており、構造解釈、層構造解析、地層分割、特性モデリングなどに必要な別のモデルが、特定のデータ分布やタスクの定式化と密結合している。 地下イメージングから得られた潜在構造的枠組みに沿って,これら全てのタスクを即時条件付き推論として再構成する統合生成アーキテクチャであるGeological Everything Model 3D(GEM)を紹介する。 この定式化はタスク固有のモデルを超えて、GEMが人為的なプロンプトやログ、マスク、構造的スケッチなどを伝播して地質学的に一貫性のあるアウトプットを生成する、共有推論機構を可能にする。 このメカニズムにより、GEMは新しいタスクやデータソースを再訓練することなく、不均一なプロンプト型を持つタスク間でゼロショットの一般化を実現する。 この能力は、大規模地震データに対する自己教師付き表現学習と、様々な地下タスクに混在する混合プロンプトとラベルを用いた逆方向の微調整を組み合わせた2段階の訓練プロセスから生じる。 GEMは、火星レーダー層序解析、沈み込み帯の構造的解釈、完全な地震層序解釈、地体デライン化、資産モデリングなど、調査やタスクに幅広い適用性を示す。 生成的推論に関する専門家の知識を構造的に意識した方法でブリッジすることで、GEMは、断片化されたパイプラインから垂直に統合され、迅速な推論システムへの、スケーラブルで、ループ内の人間的な地球物理学的AI移行の基盤を定めている。 プロジェクトページ: https://douyimin.github.io/GEM

関連論文リスト

• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Spatial Understanding from Videos: Structured Prompts Meet Simulation Data [79.52833996220059]
  本稿では,事前学習された視覚言語モデルにおける3次元空間推論を,アーキテクチャを変更することなく拡張するための統一的なフレームワークを提案する。 このフレームワークは、複雑なシーンと質問を解釈可能な推論ステップに分解する構造化プロンプト戦略であるSpatialMindと、多様な3Dシミュレーションシーンから構築されたスケーラブルな質問応答データセットであるScanForgeQAを組み合わせる。
  論文  参考訳（メタデータ） (2025-06-04T07:36:33Z)
• Evaluating and Explaining Earthquake-Induced Liquefaction Potential through Multi-Modal Transformers [0.0]
  本研究では, 土壌液状化予測のための並列トランスアーキテクチャを提案する。 この構造は、11大地震の165のケース履歴からデータを処理している。 このモデルは、地域間検証セットで93.75%の精度で予測できる。
  論文  参考訳（メタデータ） (2025-02-11T09:18:07Z)
• PEACE: Empowering Geologic Map Holistic Understanding with MLLMs [64.58959634712215]
  地質図は地質学の基本的な図として、地球の地下と地表の構造と構成に関する重要な洞察を提供する。 その重要性にもかかわらず、現在のマルチモーダル大言語モデル(MLLM)は地質図の理解に乏しいことが多い。 このギャップを定量化するために、地質地図理解においてMLLMを評価するための最初のベンチマークであるGeoMap-Benchを構築した。
  論文  参考訳（メタデータ） (2025-01-10T18:59:42Z)
• A foundation model enpowered by a multi-modal prompt engine for universal seismic geobody interpretation across surveys [13.150829303910385]
  本研究では, 地震探査における地盤構造を解析するための基礎モデルを提案する。 このモデルは、事前訓練されたビジョンファウンデーションモデル(VFM)と洗練されたマルチモーダルプロンプトエンジンを統合している。 提案手法は地学データ解釈のための新しいパラダイムを確立し,他のタスクへの転送の可能性も広い。
  論文  参考訳（メタデータ） (2024-09-08T03:44:23Z)
• Self-Supervised Representation Learning for Geospatial Objects: A Survey [21.504978593542354]
  自己教師付き学習(SSL)は、広範囲にラベル付けされた監督なしでデータから直接効果的で一般化可能な表現を学習できる能力に注目が集まっている。 本稿では,3種類の幾何学的ベクトルタイプ(ポイント,ポリライン,ポリゴン)において,地理空間オブジェクトに対して特別に適用または開発されたSSL技術について調査する。 地空間オブジェクトに対するSSLの出現傾向,特に地空間基盤モデルへの段階的な進歩について検討する。
  論文  参考訳（メタデータ） (2024-08-22T05:28:22Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
  本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。 このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
  論文  参考訳（メタデータ） (2022-11-04T09:58:57Z)

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。