論文の概要: Bridging ocean wave physics and deep learning: Physics-informed neural operators for nonlinear wavefield reconstruction in real-time
- arxiv url: http://arxiv.org/abs/2508.03315v1
- Date: Tue, 05 Aug 2025 10:50:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-06 18:18:55.921326
- Title: Bridging ocean wave physics and deep learning: Physics-informed neural operators for nonlinear wavefield reconstruction in real-time
- Title（参考訳）: ブリッジング海洋波物理と深層学習--非線形波動場再構築のための物理インフォームド・ニューラル演算子-
- Authors: Svenja Ehlers, Merten Stender, Norbert Hoffmann,
- Abstract要約: 空間的・時間的に位相分解された非線形海洋波動場をスパース測定により再構成する枠組みを提案する。
これは、海洋重力波の自由表面境界条件の残余をPINOの損失関数に埋め込むことによって達成される。
以上の結果から,PINOは高精度でリアルタイムな再構成を可能にし,広範囲の波動条件で頑健に一般化できることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate real-time prediction of phase-resolved ocean wave fields remains a critical yet largely unsolved problem, primarily due to the absence of practical data assimilation methods for reconstructing initial conditions from sparse or indirect wave measurements. While recent advances in supervised deep learning have shown potential for this purpose, they require large labelled datasets of ground truth wave data, which are infeasible to obtain in real-world scenarios. To overcome this limitation, we propose a Physics-Informed Neural Operator (PINO) framework for reconstructing spatially and temporally phase-resolved, nonlinear ocean wave fields from sparse measurements, without the need for ground truth data during training. This is achieved by embedding residuals of the free surface boundary conditions of ocean gravity waves into the loss function of the PINO, constraining the solution space in a soft manner. After training, we validate our approach using highly realistic synthetic wave data and demonstrate the accurate reconstruction of nonlinear wave fields from both buoy time series and radar snapshots. Our results indicate that PINOs enable accurate, real-time reconstruction and generalize robustly across a wide range of wave conditions, thereby paving the way for operational, data-driven wave reconstruction and prediction in realistic marine environments.
- Abstract（参考訳）: 位相分解された海面の正確なリアルタイム予測は、主にスパース波や間接波の測定から初期条件を再構築する実用的なデータ同化法が存在しないために、重要な問題であり、ほとんど未解決のままである。
教師付き深層学習の最近の進歩は、この目的に可能性を示しているが、現実のシナリオでは得られないような、地上の真理波データの大きなラベル付きデータセットが必要である。
この制限を克服するために、トレーニング中に地上の真実データを必要とせず、空間的・時間的に位相分解された非線形海洋波動場をスパース測定から再構築する物理インフォームド・ニューラル・オペレーター(PINO)フレームワークを提案する。
これは、海洋重力波の自由表面境界条件の残余をPINOの損失関数に埋め込んで、溶液空間をソフトに拘束することで達成される。
訓練後,本手法を高度に現実的な合成波動データを用いて検証し,ブイ時系列とレーダスナップショットの両方から非線形波動場の正確な再構成を実証する。
以上の結果から,PINOは広範囲の波動条件において高精度でリアルタイムな再構築を可能にし,より現実的な海洋環境下での運用,データ駆動型波動再構成および予測の道を開いた。
関連論文リスト
- ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳（メタデータ） (2025-06-12T06:27:22Z) - A new practical and effective source-independent full-waveform inversion with a velocity-distribution supported deep image prior: Applications to two real datasets [6.802692977157491]
フルウェーブフォームインバージョン(Full-waveform Inversion, FWI)は、高分解能地下物理パラメータを再構成するための高度な技術である。
ソースの不確実性と振幅依存性を軽減することを目的としたFWIのための相関に基づくソース非依存目的関数を提案する。
ベンチマーク速度モデルと2つの実データからの合成データを用いて,提案手法の優位性を実証した。
論文 参考訳（メタデータ） (2025-03-01T23:15:43Z) - Data-Driven Pseudo-spectral Full Waveform Inversion via Deep Neural Networks [0.0]
擬似スペクトルFWI問題をデータ駆動型擬似スペクトルアプローチのためのディープラーニングアルゴリズムとして再定式化する。
データ駆動型擬似スペクトルの逆転は、深部および過スラスト領域において古典的FWIよりも優れていた。
論文 参考訳（メタデータ） (2025-02-24T19:50:36Z) - Physics-informed neural networks for phase-resolved data assimilation and prediction of nonlinear ocean waves [11.364751708814191]
相分解表面重力波の同化と予測は、海洋科学と工学において重要な課題である。
本稿では,PFT解をニューラルネットワークとしてパラメータ化する新しい解法を提案する。
これにより、ウェーブデータを同化して予測する計算的に安価な方法が提供される。
論文 参考訳（メタデータ） (2025-01-14T20:44:17Z) - 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) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Data assimilation and parameter identification for water waves using the
nonlinear Schr\"{o}dinger equation and physics-informed neural networks [0.3495246564946556]
波高計などのその場観測装置を用いた深海重力波の上昇の測定は、典型的にはスパースデータを出力する。
この分散性は、設置の労力と高い運用コストのために、限られた数のゲージが配置されたことから生じる。
本稿では、物理インフォームドニューラルネットワーク(PINN)を用いて、物理的に一貫した波動場を再構成する手法を提案する。
論文 参考訳（メタデータ） (2024-01-08T07:35:48Z) - Multi-Modal Learning-based Reconstruction of High-Resolution Spatial
Wind Speed Fields [46.72819846541652]
本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。
この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
論文 参考訳（メタデータ） (2023-12-14T13:40:39Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳（メタデータ） (2023-07-20T05:49:21Z) - 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) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳（メタデータ） (2021-06-23T18:00:05Z)
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。