論文の概要: OpenEM: Large-scale multi-structural 3D datasets for electromagnetic methods

• arxiv url: http://arxiv.org/abs/2510.21859v1
• Date: Thu, 23 Oct 2025 05:57:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 19:54:32.47035
• Title: OpenEM: Large-scale multi-structural 3D datasets for electromagnetic methods
• Title（参考訳）: OpenEM:電磁法のための大規模多構造3次元データセット
• Authors: Shuang Wang, Xuben Wang, Fei Deng, Peifan Jiang, Jian Chen, Gianluca Fiandaca,
• Abstract要約: 大規模・多構造型3次元地電データセットOpenEMを提案する。 OpenEMは、単純な構成と半空間の異常な天体から、平らな層、折り畳まれた層、平坦な断層、湾曲した断層、およびそれに対応する異常な天体などのより複雑な構造まで、9つの電気モデルのカテゴリから構成される。 我々はさらに、OpenEMのためのディープラーニングベースの高速フォワードモデリングアプローチを開発し、データセット全体にわたって効率的で信頼性の高いフォワードモデリングを可能にした。
• 参考スコア（独自算出の注目度）: 9.03976367413799
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the remarkable success of deep learning, applying such techniques to EM methods has emerged as a promising research direction to overcome the limitations of conventional approaches. The effectiveness of deep learning methods depends heavily on the quality of datasets, which directly influences model performance and generalization ability. Existing application studies often construct datasets from random one-dimensional or structurally simple three-dimensional models, which fail to represent the complexity of real geological environments. Furthermore, the absence of standardized, publicly available three-dimensional geoelectric datasets continues to hinder progress in deep learning based EM exploration. To address these limitations, we present OpenEM, a large scale, multi structural three dimensional geoelectric dataset that encompasses a broad range of geologically plausible subsurface structures. OpenEM consists of nine categories of geoelectric models, spanning from simple configurations with anomalous bodies in half space to more complex structures such as flat layers, folded layers, flat faults, curved faults, and their corresponding variants with anomalous bodies. Since three-dimensional forward modeling in electromagnetics is extremely time-consuming, we further developed a deep learning based fast forward modeling approach for OpenEM, enabling efficient and reliable forward modeling across the entire dataset. This capability allows OpenEM to be rapidly deployed for a wide range of tasks. OpenEM provides a unified, comprehensive, and large-scale dataset for common EM exploration systems to accelerate the application of deep learning in electromagnetic methods. The complete dataset, along with the forward modeling codes and trained models, is publicly available at https://doi.org/10.5281/zenodo.17141981.
• Abstract（参考訳）: 深層学習の顕著な成功により、従来の手法の限界を克服するための有望な研究方向として、そのような手法をEM手法に適用する研究が生まれている。 ディープラーニング手法の有効性は、モデルの性能と一般化能力に直接影響を与えるデータセットの品質に大きく依存する。 既存の応用研究は、しばしばランダムな1次元または構造的に単純な3次元モデルからデータセットを構築するが、これは実際の地質環境の複雑さを表現できない。 さらに、標準化された公開の3次元地電データセットがないことは、ディープラーニングに基づくEM探索の進歩を妨げ続けている。 これらの制約に対処するため,大規模で多次元構造を持つ3次元地力データセットであるOpenEMを提案する。 OpenEMは、単純な構成と半空間の異常な天体から、平らな層、折り畳まれた層、平坦な断層、湾曲した断層、およびそれに対応する異常な天体などのより複雑な構造まで、9つの電気モデルのカテゴリから構成される。 電磁場における3次元フォワードモデリングは非常に時間がかかり、我々はさらにOpenEMのためのディープラーニングに基づく高速フォワードモデリングアプローチを開発し、データセット全体にわたって効率的で信頼性の高いフォワードモデリングを可能にした。 この能力により、幅広いタスクに対して、OpenEMを迅速にデプロイできる。 OpenEMは、電磁法における深層学習の適用を加速するために、共通のEM探査システムのための統一的で包括的で大規模なデータセットを提供する。 完全なデータセットと前方モデリングコードとトレーニングされたモデルはhttps://doi.org/10.5281/zenodo.17141981で公開されている。

関連論文リスト

• Speed Always Wins: A Survey on Efficient Architectures for Large Language Models [51.817121227562964]
  大規模言語モデル(LLM)は、言語理解、生成、推論、マルチモーダルモデルの能力境界の押し付けにおいて、素晴らしい結果をもたらしている。 トランスフォーマーモデルは、現代のLLMの基礎として、優れたスケーリング特性を備えた強力なベースラインを提供する。 従来のトランスフォーマーアーキテクチャは、相当な計算を必要とし、大規模なトレーニングと実践的なデプロイメントに重大な障害を生じさせる。
  論文  参考訳（メタデータ） (2025-08-13T14:13:46Z)
• Towards Depth Foundation Model: Recent Trends in Vision-Based Depth Estimation [96.1872246747684]
  深さ推定は3Dコンピュータビジョンの基本課題であり、3D再構成、自由視点レンダリング、ロボティクス、自律運転、AR/VR技術といった応用に不可欠である。 LiDARのようなハードウェアセンサーに依存する従来の方法は、しばしば高コスト、低解像度、環境感度によって制限され、現実のシナリオで適用性を制限する。 ビジョンベースの手法の最近の進歩は有望な代替手段を提供するが、低容量モデルアーキテクチャやドメイン固有の小規模データセットへの依存のため、一般化と安定性の課題に直面している。
  論文  参考訳（メタデータ） (2025-07-15T17:59:59Z)
• Copresheaf Topological Neural Networks: A Generalized Deep Learning Framework [16.903981913294103]
  共振器トポロジカルニューラルネットワーク(CTNN)を導入する CTNNは、幅広いディープラーニングアーキテクチャをカプセル化する強力な統一フレームワークである。 我々は,CTNNが階層的あるいは局所的な感度を必要とするタスクにおいて,従来のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-05-27T14:28:50Z)
• Seismic Fault SAM: Adapting SAM with Lightweight Modules and 2.5D Strategy for Fault Detection [11.868792440783054]
  本稿では,一般的な事前学習基盤モデルであるSAM(Segment Anything Model)を地震断層解釈に適用した地震断層SAMを提案する。 私たちの革新的なポイントは、軽量なAdapterモジュールの設計、トレーニング済みの重量のほとんどを凍結し、少数のパラメータのみを更新することです。 その結果,OISとODSの双方で既存の3次元モデルを上回る結果が得られた。
  論文  参考訳（メタデータ） (2024-07-19T08:38:48Z)
• GeoLRM: Geometry-Aware Large Reconstruction Model for High-Quality 3D Gaussian Generation [65.33726478659304]
  GeoLRM(Geometry-Aware Large Restruction Model)は、512kガウスと21の入力画像で11GBのGPUメモリで高品質な資産を予測できる手法である。 従来の作品では、3D構造の本質的な空間性は無視されており、3D画像と2D画像の間の明示的な幾何学的関係は利用されていない。 GeoLRMは、3Dポイントを直接処理し、変形可能なクロスアテンション機構を使用する新しい3D対応トランスフォーマー構造を導入することで、これらの問題に対処する。
  論文  参考訳（メタデータ） (2024-06-21T17:49:31Z)
• GeoWizard: Unleashing the Diffusion Priors for 3D Geometry Estimation from a Single Image [94.56927147492738]
  単一画像から幾何学的属性を推定するための新しい生成基盤モデルであるGeoWizardを紹介する。 拡散前処理の活用は,資源利用における一般化,詳細な保存,効率性を著しく向上させることが示唆された。 本稿では,様々なシーンの複雑なデータ分布を,個別のサブディストリビューションに分離する,シンプルかつ効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-18T17:50:41Z)
• Sampling-enabled scalable manifold learning unveils the discriminative cluster structure of high-dimensional data [17.411028691739897]
  大規模・高次元データに対して一様および識別的埋め込み(SUDE)を可能にする,サンプリングベースでスケーラブルな多様体学習手法を提案する。 合成データセットと実世界のベンチマークにおけるSUDEの有効性を実証的に検証し, 単細胞データの解析と心電図信号の異常検出に応用した。
  論文  参考訳（メタデータ） (2024-01-02T08:43:06Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。