論文の概要: An effective physics-informed neural operator framework for predicting wavefields

• arxiv url: http://arxiv.org/abs/2507.16431v1
• Date: Tue, 22 Jul 2025 10:22:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 21:34:14.070916
• Title: An effective physics-informed neural operator framework for predicting wavefields
• Title（参考訳）: 波動場予測のための物理インフォームドニューラルネットワークフレームワーク
• Authors: Xiao Ma, Tariq Alkhalifah,
• Abstract要約: 我々はヘルムホルツ方程式を効率的に解くために物理インフォームド畳み込みニューラル演算子(PICNO)を導入する。 PICNOは、均質媒質と速度モデルに対応する背景波動場を入力関数空間とし、散乱波動場を出力関数空間として生成する。 限られたトレーニングサンプルであっても、精度の高い精度の予測が可能になる。
• 参考スコア（独自算出の注目度）: 10.94738894332709
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solving the wave equation is fundamental for geophysical applications. However, numerical solutions of the Helmholtz equation face significant computational and memory challenges. Therefore, we introduce a physics-informed convolutional neural operator (PICNO) to solve the Helmholtz equation efficiently. The PICNO takes both the background wavefield corresponding to a homogeneous medium and the velocity model as input function space, generating the scattered wavefield as the output function space. Our workflow integrates PDE constraints directly into the training process, enabling the neural operator to not only fit the available data but also capture the underlying physics governing wave phenomena. PICNO allows for high-resolution reasonably accurate predictions even with limited training samples, and it demonstrates significant improvements over a purely data-driven convolutional neural operator (CNO), particularly in predicting high-frequency wavefields. These features and improvements are important for waveform inversion down the road.
• Abstract（参考訳）: 波動方程式の解法は、地球物理学の応用に不可欠である。 しかし、ヘルムホルツ方程式の数値解は、計算と記憶の重大な課題に直面している。 そこで,Helmholtz方程式を効率的に解くために物理インフォームド畳み込みニューラル演算子(PICNO)を導入する。 PICNOは、均質媒質に対応する背景波動場と、入力関数空間としての速度モデルの両方を取り、分散波動場を出力関数空間として生成する。 我々のワークフローは、PDE制約を直接トレーニングプロセスに統合し、ニューラルネットワークが利用可能なデータに適合するだけでなく、波動現象を制御している基礎的な物理をキャプチャすることを可能にする。 PICNOは、限られたトレーニングサンプルであっても、高解像度の合理的な予測を可能にし、特に高周波波動場の予測において、純粋にデータ駆動の畳み込みニューラル演算子(CNO)よりも大幅に改善されていることを示す。 これらの特徴と改善は、道路の波形反転にとって重要である。

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)
• An efficient wavelet-based physics-informed neural networks for singularly perturbed problems [0.0]
  物理インフォームドニューラルネットワーク(英: Physics-informed Neural Network, PINN)は、物理学を微分方程式の形で利用し、複雑な問題に対処する深層学習モデルである。 本稿では, ウェーブレットに基づくPINNモデルを用いて, 急激な振動, 急勾配, 特異な挙動を持つ微分方程式の解に挑戦する。 提案手法は、従来のPINN、最近開発されたウェーブレットベースのPINN、その他の最先端の手法で大幅に改善される。
  論文  参考訳（メタデータ） (2024-09-18T10:01:37Z)
• Physics-informed neural wavefields with Gabor basis functions [4.07926531936425]
  本稿では,ニューラルネットワークのウェーブフィールド解の効率性と精度を高める手法を提案する。 具体的には、ヘルムホルツ方程式に対して、最後の隠れ層を構成するGabor層で完全に連結されたニューラルネットワークモデルを拡張する。 ガボル関数のこれらの/係数は、非線形活性化関数を含む以前の隠れ層から学習される。
  論文  参考訳（メタデータ） (2023-10-16T17:30:33Z)
• Waveformer for modelling dynamical systems [1.0878040851638]
  動的システムの学習ソリューションを学習するための新しい演算子学習手法である「ウェーブフォーマ」を提案する。 提案した波形変換器はウェーブレット変換を利用して解場と変圧器の空間的マルチスケールな挙動を捉える。 本稿では,提案するWaveformerが解演算子を高精度に学習し,既存の最先端演算子学習アルゴリズムを最大1桁の精度で上回っていることを示す。
  論文  参考訳（メタデータ） (2023-10-08T03:34:59Z)
• 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)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Variational waveguide QED simulators [58.720142291102135]
  導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。 ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
  論文  参考訳（メタデータ） (2023-02-03T18:55:08Z)
• Solving Seismic Wave Equations on Variable Velocity Models with Fourier Neural Operator [3.2307366446033945]
  本稿では,FNOに基づく解法を効率的に学習するための新しいフレームワークであるFourier Neural operator (PFNO)を提案する。 数値実験により、複雑な速度モデルによるFNOとPFNOの精度が示された。 PFNOは、従来の有限差分法と比較して、大規模なテストデータセットの計算効率が高いことを認めている。
  論文  参考訳（メタデータ） (2022-09-25T22:25:57Z)
• Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
  ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。 ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。 これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
  論文  参考訳（メタデータ） (2022-08-02T18:27:13Z)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)
• Bosonic field digitization for quantum computers [62.997667081978825]
  我々は、離散化された場振幅ベースで格子ボゾン場の表現に対処する。 本稿では,エラースケーリングを予測し,効率的な量子ビット実装戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-24T15:30:04Z)
• Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
  光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。 我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
  論文  参考訳（メタデータ） (2020-07-28T14:52:28Z)

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。