論文の概要: Three-dimensional inversion of gravity data using implicit neural representations
- arxiv url: http://arxiv.org/abs/2510.17876v1
- Date: Fri, 17 Oct 2025 03:55:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:12.248247
- Title: Three-dimensional inversion of gravity data using implicit neural representations
- Title（参考訳）: 暗黙的神経表現を用いた重力データの3次元インバージョン
- Authors: Pankaj K Mishra, Sanni Laaksonen, Jochen Kamm, Anand Singh,
- Abstract要約: 重力データのインバージョンは、多様な応用に関連する地下密度の変動を研究する重要な方法である。
ここでは,三次元重力インバージョンを連続場として表す科学的機械学習手法を提案する。
- 参考スコア（独自算出の注目度）: 2.7372527234669115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inversion of gravity data is an important method for investigating subsurface density variations relevant to diverse applications including mineral exploration, geothermal assessment, carbon storage, natural hydrogen, groundwater resources, and tectonic evolution. Here we present a scientific machine-learning approach for three-dimensional gravity inversion that represents subsurface density as a continuous field using an implicit neural representation (INR). The method trains a deep neural network directly through a physics-based forward-model loss, mapping spatial coordinates to a continuous density field without predefined meshes or discretisation. Positional encoding enhances the network's capacity to capture sharp contrasts and short-wavelength features that conventional coordinate-based networks tend to oversmooth due to spectral bias. We demonstrate the approach on synthetic examples including Gaussian random fields, representing realistic geological complexity, and a dipping block model to assess recovery of blocky structures. The INR framework reconstructs detailed structure and geologically plausible boundaries without explicit regularisation or depth weighting, while significantly reducing the number of inversion parameters. These results highlight the potential of implicit representations to enable scalable, flexible, and interpretable large-scale geophysical inversion. This framework could generalise to other geophysical methods and for joint/multiphysics inversion.
- Abstract（参考訳）: 重力データの逆転は、鉱物探査、地熱評価、炭素貯蔵、天然水素、地下水資源、テクトニクスの進化など、様々な応用に関連する地下密度の変動を研究する重要な方法である。
本稿では,3次元重力インバージョンのための科学的な機械学習手法を提案する。
この方法は、物理に基づく前方モデル損失を通じてディープニューラルネットワークを直接トレーニングし、空間座標を予め定義されたメッシュや離散化なしで連続密度場にマッピングする。
位置エンコーディングは、従来の座標ベースのネットワークがスペクトルバイアスによって過度に滑らかになるような、鋭いコントラストと短波長の特徴を捕捉するネットワークの能力を高める。
本稿では, ガウス確率場, 現実的な地質的複雑性を表す合成例と, ブロック構造の回復を評価するためのディッピングブロックモデルについて述べる。
INRフレームワークは、明確な規則化や深さ重み付けをすることなく、詳細な構造と地質学的に妥当な境界を再構築し、反転パラメータの数を著しく削減する。
これらの結果は、拡張性、柔軟性、解釈可能な大規模物理インバージョンを可能にする暗黙の表現の可能性を強調している。
この枠組みは、他の物理手法や合同・多重物理学の逆転に一般化することができる。
関連論文リスト
- Synthetic Geology -- Structural Geology Meets Deep Learning [3.216132991084434]
ボキセル化画像に応用した生成人工知能の技術に基づいて,ニューラルネットワークをトレーニングすることにより,地表の地質データを3次元の地下領域に拡張する手法を実証する。
地質活動のイオンを模倣した合成データ生成プロセスの設計により,地下深層学習の発展におけるこのデータギャップを埋める。
このような合成データに基づいてトレーニングされた基礎モデルは、以前は目に見えない表面地形と地質図から地下の3次元画像を生成することができる。
論文 参考訳（メタデータ） (2025-06-11T20:42:28Z) - Differentiable Topology Estimating from Curvatures for 3D Shapes [5.122262236258208]
本稿では,3次元形状のグローバルトポロジを正確に推定するための,新しい微分可能アルゴリズムを提案する。
高い精度、効率、GPUとの互換性のあるインスタント計算を実現する。
実験結果から,様々なデータセットにまたがる手法の優れた性能が示された。
論文 参考訳（メタデータ） (2024-11-28T17:14:35Z) - A Physics-Inspired Deep Learning Framework with Polar Coordinate Attention for Ptychographic Imaging [8.436077464774755]
Ptychography Imagingは、回折パターンからの位相検索にディープラーニングを適用する際に、固有の課題に直面している。
本稿では,Pola Coordinate Attention (PoCA) を用いた物理に着想を得た深層学習ネットワークPPNについて述べる。
論文 参考訳（メタデータ） (2024-11-25T06:49:59Z) - Geometry Distributions [51.4061133324376]
本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。
提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。
本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
論文 参考訳（メタデータ） (2024-11-25T04:06:48Z) - Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。
本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
論文 参考訳（メタデータ） (2024-11-21T14:19:32Z) - GeoSplatting: Towards Geometry Guided Gaussian Splatting for Physically-based Inverse Rendering [69.67264955234494]
GeoSplattingは、3DGSを精密な光輸送モデリングのための明確な幾何学的ガイダンスで拡張する新しいアプローチである。
最適化可能なメッシュから表面積の3DGSを微分的に構築することにより、明確に定義されたメッシュ正規と不透明なメッシュ表面を利用する。
この強化により、3DGSの効率性と高品質なレンダリング能力を保ちながら、正確な材料分解が保証される。
論文 参考訳（メタデータ） (2024-10-31T17:57:07Z) - IntraSeismic: a coordinate-based learning approach to seismic inversion [14.625250755761662]
IntraSeismicは、座標に基づく学習とポストスタックモデリング演算子の物理をシームレスに組み合わせた、新しいハイブリッド地震インバージョン手法である。
IntraSeismicの主な特徴は、2Dおよび3D後の地震インバージョン、高速収束率、およびシームレスにハード制約を含む能力である。
提案手法の有効性を検証するために, 震源内データの合成とフィールドデータの適用について述べる。
論文 参考訳（メタデータ） (2023-12-17T00:29:25Z) - Fourier Neural Operator Surrogate Model to Predict 3D Seismic Waves
Propagation [0.0]
我々は、SEM3Dという高忠実度シミュレーションコードを用いて、3万の異なる地質が生成する地動の広範なデータベースを構築している。
フーリエ・ニューラル・オペレーターは,基礎となる地質が大きな不均一性を示す場合でも,正確な接地運動を実現できることを示す。
データベースの一般化により,地質学的特徴が地盤運動に与える影響を評価するために,我々のモデルが利用できると信じている。
論文 参考訳（メタデータ） (2023-04-20T12:01:58Z) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳（メタデータ） (2023-01-10T19:00:12Z) - Minimal Neural Atlas: Parameterizing Complex Surfaces with Minimal
Charts and Distortion [71.52576837870166]
我々は、新しいアトラスに基づく明示的なニューラルサーフェス表現であるミニマルニューラルアトラスを提案する。
その中核は完全学習可能なパラメトリック領域であり、パラメトリック空間の開平方上で定義された暗黙の確率的占有場によって与えられる。
我々の再構成は、トポロジーと幾何学に関する懸念の分離のため、全体的な幾何学の観点からより正確である。
論文 参考訳（メタデータ） (2022-07-29T16:55:06Z)
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。