論文の概要: Physics-informed waveform inversion using pretrained wavefield neural operators

• arxiv url: http://arxiv.org/abs/2509.08967v1
• Date: Wed, 10 Sep 2025 19:57:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.130437
• Title: Physics-informed waveform inversion using pretrained wavefield neural operators
• Title（参考訳）: 事前学習波動場ニューラル演算子を用いた物理インフォーム波形インバージョン
• Authors: Xinquan Huang, Fu Wang, Tariq Alkhalifah,
• Abstract要約: フルウェーブフォームインバージョン(FWI)は高分解能地下モデルの再構築に不可欠である。 学習波動場ニューラル演算子を用いてFWIを加速する最近の試みは、効率と微分可能性の有望性を示している。 ニューラル演算子に基づくFWIの効率を維持しつつ、精度の反転を高める新しい物理インフォームドFWIフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 9.048550821334116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Full waveform inversion (FWI) is crucial for reconstructing high-resolution subsurface models, but it is often hindered, considering the limited data, by its null space resulting in low-resolution models, and more importantly, by its computational cost, especially if needed for real-time applications. Recent attempts to accelerate FWI using learned wavefield neural operators have shown promise in efficiency and differentiability, but typically suffer from noisy and unstable inversion performance. To address these limitations, we introduce a novel physics-informed FWI framework to enhance the inversion in accuracy while maintaining the efficiency of neural operator-based FWI. Instead of relying only on the L2 norm objective function via automatic differentiation, resulting in noisy model reconstruction, we integrate a physics constraint term in the loss function of FWI, improving the quality of the inverted velocity models. Specifically, starting with an initial model to simulate wavefields and then evaluating the loss over how much the resulting wavefield obeys the physical laws (wave equation) and matches the recorded data, we achieve a reduction in noise and artifacts. Numerical experiments using the OpenFWI and Overthrust models demonstrate our method's superior performance, offering cleaner and more accurate subsurface velocity than vanilla approaches. Considering the efficiency of the approach compared to FWI, this advancement represents a significant step forward in the practical application of FWI for real-time subsurface monitoring.
• Abstract（参考訳）: フルウェーブフォーム・インバージョン (FWI) は高分解能地下モデルの再構成に不可欠であるが、低分解能モデルをもたらすヌル空間、特にリアルタイムアプリケーションに必要な場合の計算コストによって制限されたデータを考えると、しばしば妨げられる。 学習波動場ニューラル演算子を用いてFWIを加速しようとする最近の試みは、効率性と微分可能性を示しているが、典型的にはノイズと不安定な反転性能に悩まされている。 これらの制約に対処するために,ニューラル演算子に基づくFWIの効率を保ちながら,精度の反転を高める物理インフォームドFWIフレームワークを導入する。 FWIの損失関数に物理制約項を統合することにより, 逆速度モデルの品質を向上する。 具体的には、波動場をシミュレートする初期モデルから始めて、結果の波動場が物理法則(波動方程式)にどの程度従属するかの損失を評価し、記録されたデータと一致させることで、ノイズやアーティファクトの低減を実現する。 OpenFWIモデルとOverthrustモデルを用いた数値実験により,バニラ法よりもクリーンで高精度な地下速度が得られた。 FWIと比較してのアプローチの効率性を考えると、この進歩はリアルタイム地下モニタリングにおけるFWIの実用化における重要な一歩である。

関連論文リスト

• An effective physics-informed neural operator framework for predicting wavefields [10.94738894332709]
  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。
  論文  参考訳（メタデータ） (2025-07-22T10:22:30Z)
• Diffusion prior as a direct regularization term for FWI [0.0]
  フルウェーブフォーム・インバージョン(FWI)に先立つスコアベース生成拡散を提案する。 従来の拡散法とは異なり,本手法は逆拡散サンプリングを回避し,イテレーションを少なくする。 提案手法は,従来およびGANベースのFWI手法と比較して,忠実度と堅牢性を向上する。
  論文  参考訳（メタデータ） (2025-06-11T19:43:23Z)
• Full waveform inversion with CNN-based velocity representation extension [4.255346660147713]
  フルウェーブフォームインバージョン(FWI)は、観測データとシミュレーションデータとの差を最小限にして速度モデルを更新する。 数値モデリングおよび不完全地震データ取得における離散化誤差は、隣接演算子を介して伝搬するノイズを導入することができる。 我々は、前方シミュレーションを実行する前に速度モデルを洗練するために畳み込みニューラルネットワーク(CNN)を用いる。 速度とネットワークパラメータの両方を更新するために、同じデータ不適合損失を使用して、自己教師付き学習手順を作成します。
  論文  参考訳（メタデータ） (2025-04-22T12:14:38Z)
• 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)
• Guaranteed Approximation Bounds for Mixed-Precision Neural Operators [83.64404557466528]
  我々は、ニューラル演算子学習が本質的に近似誤差を誘導する直感の上に構築する。 提案手法では,GPUメモリ使用量を最大50%削減し,スループットを58%向上する。
  論文  参考訳（メタデータ） (2023-07-27T17:42:06Z)
• 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)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• 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)
• Fourier Space Losses for Efficient Perceptual Image Super-Resolution [131.50099891772598]
  提案した損失関数の適用のみで,最近導入された効率的なジェネレータアーキテクチャの性能向上が可能であることを示す。 フーリエ空間における周波数に対する損失の直接的強調は知覚的画質を著しく向上させることを示す。 訓練されたジェネレータは、最先端の知覚的SR法である RankSRGAN と SRFlow よりも2.4倍、48倍高速である。
  論文  参考訳（メタデータ） (2021-06-01T20:34:52Z)
• Real Time Speech Enhancement in the Waveform Domain [99.02180506016721]
  本稿では,ラップトップCPU上でリアルタイムに動作する生波形を用いた因果音声強調モデルを提案する。 提案モデルは、スキップ接続を持つエンコーダデコーダアーキテクチャに基づいている。 静止ノイズや非定常ノイズを含む様々な背景ノイズを除去することができる。
  論文  参考訳（メタデータ） (2020-06-23T09:19:13Z)

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。