論文の概要: Hankel-FNO: Fast Underwater Acoustic Charting Via Physics-Encoded Fourier Neural Operator

• arxiv url: http://arxiv.org/abs/2512.06417v1
• Date: Sat, 06 Dec 2025 12:24:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.348959
• Title: Hankel-FNO: Fast Underwater Acoustic Charting Via Physics-Encoded Fourier Neural Operator
• Title（参考訳）: Hankel-FNO:物理エンコードされたフーリエニューラル演算子による高速水中音響チャート作成
• Authors: Yifan Sun, Lei Cheng, Jianlong Li, Peter Gerstoft,
• Abstract要約: センサ配置最適化や自律走行車道計画といった下流作業には,高速で正確な水中音響チャート作成が不可欠である。 フーリエニューラル演算子(FNO)をベースとした高速かつ高精度な音響チャート作成モデルであるHankel-FNOを提案する。 音響伝搬知識と入浴量測定を組み込むことで,高い計算速度を維持しながら精度を向上する。
• 参考スコア（独自算出の注目度）: 29.422722838738967
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fast and accurate underwater acoustic charting is crucial for downstream tasks such as environment-aware sensor placement optimization and autonomous vehicle path planning. Conventional methods rely on computationally expensive while accurate numerical solvers, which are not scalable for large-scale or real-time applications. Although deep learning-based surrogate models can accelerate these computations, they often suffer from limitations such as fixed-resolution constraints or dependence on explicit partial differential equation formulations. These issues hinder their applicability and generalization across diverse environments. We propose Hankel-FNO, a Fourier Neural Operator (FNO)-based model for efficient and accurate acoustic charting. By incorporating sound propagation knowledge and bathymetry, our method has high accuracy while maintaining high computational speed. Results demonstrate that Hankel-FNO outperforms traditional solvers in speed and surpasses data-driven alternatives in accuracy, especially in long-range predictions. Experiments show the model's adaptability to diverse environments and sound source settings with minimal fine-tuning.
• Abstract（参考訳）: 環境に配慮したセンサ配置最適化や自律走行車道計画といった下流作業には,高速で正確な水中音響グラフ作成が不可欠である。 従来の手法は計算コストが高いが正確な数値解法に依存しており、大規模なアプリケーションやリアルタイムアプリケーションには拡張性がない。 深層学習に基づく代理モデルはこれらの計算を加速することができるが、固定解像度の制約や明示的な偏微分方程式の定式化への依存といった制限に悩まされることが多い。 これらの問題は、様々な環境にまたがる適用性と一般化を妨げる。 フーリエニューラル演算子(FNO)をベースとした高速かつ高精度な音響チャート作成モデルであるHankel-FNOを提案する。 音響伝搬知識と入浴量測定を組み込むことで,高い計算速度を維持しながら精度を向上する。 その結果、ハンケル-FNOは、特に長距離予測において、従来の解法よりも高速で、精度でデータ駆動の代替品より優れていることが示された。 実験では、モデルの様々な環境への適応性と、最小限の微調整による音源設定が示される。

関連論文リスト

• 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)
• LoCA: Location-Aware Cosine Adaptation for Parameter-Efficient Fine-Tuning [47.77830360814755]
  位置認識コサイン適応(LoCA)は離散逆コサイン変換(iDCT)に基づく新しい周波数領域パラメーター効率微調整法である 分析の結果,周波数領域の分解が従来の低ランク手法の表現率を上回ることが判明した。 多様な言語および視覚的微調整タスクの実験は、LoCAが低ランク法に匹敵する計算能力を維持しながら、パラメータ効率を向上することを示した。
  論文  参考訳（メタデータ） (2025-02-05T04:14:34Z)
• MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
  マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。 特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。 4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
  論文  参考訳（メタデータ） (2025-01-27T12:15:51Z)
• Spectral-Refiner: Accurate Fine-Tuning of Spatiotemporal Fourier Neural Operator for Turbulent Flows [6.961408873053586]
  最近の演算子型ニューラルネットワークは、部分微分方程式(PDE)の近似に有望な結果を示している。 これらのニューラルネットワークは、かなりのトレーニング費用を要し、科学や工学の分野において要求される精度を常に達成するとは限らない。
  論文  参考訳（メタデータ） (2024-05-27T14:33:06Z)
• Efficient Numerical Wave Propagation Enhanced By An End-to-End Deep Learning Model [0.0]
  本稿では,数値解法とディープラーニングコンポーネントをエンドツーエンドのフレームワークに統合する,新しい統合システムを提案する。 安定かつ高速な解法により、高周波波成分を補正する並列時間アルゴリズムであるPararealが利用可能となる。
  論文  参考訳（メタデータ） (2024-02-04T00:07:05Z)
• 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)
• DEBOSH: Deep Bayesian Shape Optimization [48.80431740983095]
  形状最適化に適した不確実性に基づく新しい手法を提案する。 効果的なBOを可能にし、その結果の形状の質を最先端のアプローチを超えて向上させる。
  論文  参考訳（メタデータ） (2021-09-28T11:01:42Z)

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。