論文の概要: SURGIN: SURrogate-guided Generative INversion for subsurface multiphase flow with quantified uncertainty

• arxiv url: http://arxiv.org/abs/2509.13189v1
• Date: Tue, 16 Sep 2025 15:42:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:53.157231
• Title: SURGIN: SURrogate-guided Generative INversion for subsurface multiphase flow with quantified uncertainty
• Title（参考訳）: SURGIN: 定量化不確実性を伴う地下多相流のSURGIN誘導生成インバージョン
• Authors: Zhao Feng, Bicheng Yan, Luanxiao Zhao, Xianda Shen, Renyu Zhao, Wenhao Wang, Fengshou Zhang,
• Abstract要約: SURrogate-guided Generative Inversion framework for assimilation multiphase flow data。 SurGINはゼロショット条件生成機能を備えており、タスク固有のリトレーニングなしで、目に見えない監視データのリアルタイム同化を可能にする。 代用誘導ベイズ推論による生成学習を統一することにより、SURGINはパラメトリック汎函数空間における逆フローモデリングと不確実性定量化のための新しいパラダイムを確立する。
• 参考スコア（独自算出の注目度）: 9.423344821042933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a direct inverse modeling method named SURGIN, a SURrogate-guided Generative INversion framework tailed for subsurface multiphase flow data assimilation. Unlike existing inversion methods that require adaptation for each new observational configuration, SURGIN features a zero-shot conditional generation capability, enabling real-time assimilation of unseen monitoring data without task-specific retraining. Specifically, SURGIN synergistically integrates a U-Net enhanced Fourier Neural Operator (U-FNO) surrogate with a score-based generative model (SGM), framing the conditional generation as a surrogate prediction-guidance process in a Bayesian perspective. Instead of directly learning the conditional generation of geological parameters, an unconditional SGM is first pretrained in a self-supervised manner to capture the geological prior, after which posterior sampling is performed by leveraging a differentiable U-FNO surrogate to enable efficient forward evaluations conditioned on unseen observations. Extensive numerical experiments demonstrate SURGIN's capability to decently infer heterogeneous geological fields and predict spatiotemporal flow dynamics with quantified uncertainty across diverse measurement settings. By unifying generative learning with surrogate-guided Bayesian inference, SURGIN establishes a new paradigm for inverse modeling and uncertainty quantification in parametric functional spaces.
• Abstract（参考訳）: SURGIN(SURGIN, SURrogate-guided Generative Inversion framework)という, 地中多相流データ同化のための直接逆モデリング手法を提案する。 SURGINは、新しい観測構成の適応を必要とする既存のインバージョン方式とは異なり、ゼロショット条件生成機能を備えており、タスク固有のリトレーニングなしで、目に見えないモニタリングデータのリアルタイム同化を可能にする。 具体的には、SURGINは、U-Net強化フーリエニューラル演算子(U-FNO)をスコアベース生成モデル(SGM)と相乗的に統合し、ベイズの観点からの代理予測誘導過程として条件生成をフレーミングする。 地質学的パラメータの条件生成を直接学習する代わりに、無条件のSGMを自己指導で事前訓練して地質学的先行を捕捉し、その後、微分可能なU-FNOサロゲートを利用して後部サンプリングを行い、目に見えない観測で条件付けされた効率的な前方評価を可能にする。 大規模な数値実験は、SURGINが不均一な地質学の分野を適切に推測し、様々な測定環境において定量化された不確実性を伴う時空間流れのダイナミクスを予測する能力を実証している。 代用誘導ベイズ推論による生成学習を統一することにより、SURGINはパラメトリック汎函数空間における逆モデリングと不確実性定量化のための新しいパラダイムを確立する。

関連論文リスト

• Amortized In-Context Bayesian Posterior Estimation [15.714462115687096]
  償却は条件付き推定を通じて、そのような困難を和らげるための実行可能な戦略である。 本研究では,アモルト化インコンテクストベイズ推定手法の徹底的な比較分析を行う。 本稿では,予測問題に対する逆KL推定器の優位性,特に変圧器アーキテクチャと正規化フローを併用した場合に強調する。
  論文  参考訳（メタデータ） (2025-02-10T16:00:48Z)
• Flow Matching Posterior Sampling: A Training-free Conditional Generation for Flow Matching [13.634043135217254]
  本稿では,Flow Matching を用いた Posterior Smpling (FMPS) を提案し,その適用範囲を拡大する。 この補正項は、サロゲートスコア関数を組み込むように再構成することができる。 FMPSは既存の最先端手法に比べて優れた世代品質が得られることを示す。
  論文  参考訳（メタデータ） (2024-11-12T08:14:39Z)
• Conditional Pseudo-Reversible Normalizing Flow for Surrogate Modeling in Quantifying Uncertainty Propagation [11.874729463016227]
  付加雑音によって汚染された物理モデルの代理モデルを構築するための条件付き擬似可逆正規化フローを導入する。 トレーニングプロセスは、ノイズと関数に関する事前知識を必要とせずに、入出力ペアからなるデータセットを利用する。 トレーニングされたモデルでは,高い確率領域をトレーニングセットでカバーした条件付き確率密度関数からサンプルを生成することができる。
  論文  参考訳（メタデータ） (2024-03-31T00:09:58Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• Variational Inference with NoFAS: Normalizing Flow with Adaptive Surrogate for Computationally Expensive Models [7.217783736464403]
  マルコフ連鎖モンテカルロのようなサンプリングに基づくアプローチの使用は、それぞれの可能性評価が計算的に高価であるときに難解になる可能性がある。 変分推論と正規化フローを組み合わせた新しいアプローチは、潜在変数空間の次元と線形にしか成長しない計算コストによって特徴づけられる。 本稿では,ニューラルネットワークサロゲートモデルの正規化フローパラメータと重みを代わりに更新する最適化戦略である,適応サロゲートを用いた正規化フロー(NoFAS)を提案する。
  論文  参考訳（メタデータ） (2021-08-28T14:31:45Z)
• Conditional Hybrid GAN for Sequence Generation [56.67961004064029]
  本稿では,この問題を解決するための条件付きハイブリッドGAN(C-Hybrid-GAN)を提案する。 我々はGumbel-Softmax法を利用して離散値列の分布を近似する。 提案したC-Hybrid-GANは、文脈条件付き離散値シーケンス生成において既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-18T03:52:55Z)
• A Probabilistic Formulation of Unsupervised Text Style Transfer [128.80213211598752]
  従来提案されていた非生成的手法を統一した教師なしテキストスタイル転送のための深層生成モデルを提案する。 観測された各シーケンスを生成する並列潜時シーケンスを仮定することにより、我々のモデルは、完全に教師なしの方法で、あるドメインから別のドメインへシーケンスを変換することを学ぶ。
  論文  参考訳（メタデータ） (2020-02-10T16:20:49Z)

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。