論文の概要: SA-EMO: Structure-Aligned Encoder Mixture of Operators for Generalizable Full-waveform Inversion

• arxiv url: http://arxiv.org/abs/2511.11627v1
• Date: Fri, 07 Nov 2025 14:03:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.183433
• Title: SA-EMO: Structure-Aligned Encoder Mixture of Operators for Generalizable Full-waveform Inversion
• Title（参考訳）: SA-EMO: 一般化可能なフルウェーブフォームインバージョンのための演算子の構造対応エンコーダ混合器
• Authors: Wang Zhenyu, Li Peiyuan, Shi Yongxiang, Wu Ruoyu, Zhang Lei,
• Abstract要約: フルウェーブフォーム・インバージョンは高分解能モデルを生成することができるが、本質的に不適切であり、非常に非線形であり、計算集約的である。 本研究では,未知の地下構造下での速度場反転のためのSA-EMOアーキテクチャを提案する。 SA-EMOは従来のCNNやシングルオペレーター法よりも大幅に優れており、平均で58.443%、境界分解能が10.308%向上している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Full-waveform inversion (FWI) can produce high-resolution subsurface models, yet it remains inherently ill-posed, highly nonlinear, and computationally intensive. Although recent deep learning and numerical acceleration methods have improved speed and scalability, they often rely on single CNN architectures or single neural operators, which struggle to generalize in unknown or complex geological settings and are ineffective at distinguishing diverse geological types. To address these issues, we propose a Structure-Aligned Encoder-Mixture-of-Operators (SA-EMO) architecture for velocity-field inversion under unknown subsurface structures. First, a structure-aligned encoder maps high-dimensional seismic wavefields into a physically consistent latent space, thereby eliminating spatio-temporal mismatch between the waveform and velocity domains, recovering high-frequency components, and enhancing feature generalization. Then, an adaptive routing mechanism selects and fuses multiple neural-operator experts, including spectral, wavelet, multiscale, and local operators, to predict the velocity model. We systematically evaluate our approach on the OpenFWI benchmark and the Marmousi2 dataset. Results show that SA-EMO significantly outperforms traditional CNN or single-operator methods, achieving an average MAE reduction of approximately 58.443% and an improvement in boundary resolution of about 10.308%. Ablation studies further reveal that the structure-aligned encoder, the expert-fusion mechanism, and the routing module each contribute markedly to the performance gains. This work introduces a new paradigm for efficient, scalable, and physically interpretable full-waveform inversion.
• 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を生成することができるが、本質的には不適切であり、非線形であり、計算集約的である。 最近のディープラーニングと数値加速度法は速度とスケーラビリティを改善しているが、未知あるいは複雑な地質環境における一般化に苦しむ単一のCNNアーキテクチャや単一ニューラル演算子に依存しており、多様な地質型を区別するには効果がない。 これらの問題に対処するために、未知の地下構造下での速度場反転のための構造アラインなエンコーダ・ミクチャー・オブ・オペレーター(SA-EMO)アーキテクチャを提案する。 まず,高次元地震波動場を物理的に一貫した潜在空間にマッピングすることにより,波形と速度領域の時空間的ミスマッチを解消し,高周波成分の回収と特徴一般化の促進を図る。 次に、適応的なルーティング機構は、スペクトル、ウェーブレット、マルチスケール、ローカル演算子を含む複数のニューラル演算子の専門家を選択し、融合させ、速度モデルを予測する。 提案手法をOpenFWIベンチマークとMarmousi2データセットで体系的に評価した。 その結果、SA-EMOは従来のCNNやシングルオペレーター法よりも大幅に優れており、平均で58.443%、境界分解能が約10.308%向上していることがわかった。 さらにアブレーション研究により, 構造整合エンコーダ, エキスパート融合機構, ルーティングモジュールが性能向上に大きく寄与していることが明らかになった。 この研究は、効率的でスケーラブルで物理的に解釈可能なフルウェーブフォームインバージョンのための新しいパラダイムを導入する。

関連論文リスト

• WaveSeg: Enhancing Segmentation Precision via High-Frequency Prior and Mamba-Driven Spectrum Decomposition [61.3530659856013]
  本稿では,空間およびウェーブレット領域の機能改善を共同で最適化する新しいデコーダアーキテクチャであるWaveSegを提案する。 高周波成分は、まず入力画像から、境界の詳細を強化するために明示的な先行として学習される。 標準ベンチマークの実験では、Mambaベースの注目に先立ってウェーブレット-ドメイン周波数を利用するWaveSegが、常に最先端のアプローチより優れていることが示されている。
  論文  参考訳（メタデータ） (2025-10-24T01:41:31Z)
• Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
  マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。 我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
  論文  参考訳（メタデータ） (2025-09-03T18:05:02Z)
• Dynamic Acoustic Model Architecture Optimization in Training for ASR [51.21112094223223]
  DMAOは、Grow-and-drop戦略を使用して、トレーニング中にパラメータを自動的に再配置するアーキテクチャ最適化フレームワークである。 CTC onSpeech, TED-Lium-v2, Switchboard を用いてDMAOの評価を行った。
  論文  参考訳（メタデータ） (2025-06-16T07:47:34Z)
• OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
  OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。 本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。 テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
  論文  参考訳（メタデータ） (2025-06-12T16:23:02Z)
• A Causality- and Frequency-Aware Deep Learning Framework for Wave Elevation Prediction Behind Floating Breakwaters [7.667077185318874]
  既存のディープラーニングアプローチは、目に見えない操作条件下での限定的な一般化能力を示す。 E2E-FANetは、波と構造物の関係をモデル化するために設計された、新しいエンドツーエンドニューラルネットワークである。 主流モデルと比較して予測精度とロバストな一般化を実現している。
  論文  参考訳（メタデータ） (2025-05-10T16:28:48Z)
• Ambient Noise Full Waveform Inversion with Neural Operators [11.44207799108199]
  近年の研究では、ニューラル演算子と呼ばれる新しい機械学習モデルが、従来の方法よりもはるかに高速にエラストダイナミック波動方程式のオーダーを解くことができることが示されている。 本研究では, 実地震データセット上での完全な波形インバージョンに対するニューラル演算子の最初の応用を実証する。
  論文  参考訳（メタデータ） (2025-03-19T09:10:43Z)
• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• 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)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• Learning two-phase microstructure evolution using neural operators and autoencoder architectures [0.0]
  我々は、畳み込みオートエンコーダアーキテクチャとディープニューラル演算子(DeepONet)を統合する新しいフレームワークを開発する。 DeepONetは潜伏空間における微細構造進化のメソスケールダイナミクスを学習する。 結果は、効率的で正確な位相場フレームワークである。
  論文  参考訳（メタデータ） (2022-04-11T18:34:59Z)
• Data-driven Full-waveform Inversion Surrogate using Conditional Generative Adversarial Networks [0.0]
  フル波形インバージョン(FWI)速度モデリングは、正確で詳細な速度場モデルを提供する反復的な高度な技術です。 本研究では,複数の入力を持つ条件付き生成逆数ネットワーク(cGAN)を用いて,FWIによって得られた速度場モデルを生成する手法を提案する。
  論文  参考訳（メタデータ） (2021-04-30T21:41:24Z)

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。