論文の概要: Adaptive Physics Transformer with Fused Global-Local Attention for Subsurface Energy Systems
- arxiv url: http://arxiv.org/abs/2602.11208v1
- Date: Tue, 10 Feb 2026 22:48:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-13 21:07:25.446191
- Title: Adaptive Physics Transformer with Fused Global-Local Attention for Subsurface Energy Systems
- Title（参考訳）: 地中エネルギーシステムに対する融解グローバルローカルアテンションを用いた適応型物理変換器
- Authors: Xin Ju, Nok Hei, Fung, Yuyan Zhang, Carl Jacquemyn, Matthew Jackson, Randolph Settgast, Sally M. Benson, Gege Wen,
- Abstract要約: textbfAdaptive Physics Transformer (APT)
APTは、幾何学的、メッシュ的、物理的に依存しないニューラル演算子である。
適応メッシュ精錬シミュレーションから直接学習する最初のアーキテクチャ。
- 参考スコア（独自算出の注目度）: 2.7106545070231722
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Earth's subsurface is a cornerstone of modern society, providing essential energy resources like hydrocarbons, geothermal, and minerals while serving as the primary reservoir for $CO_2$ sequestration. However, full physics numerical simulations of these systems are notoriously computationally expensive due to geological heterogeneity, high resolution requirements, and the tight coupling of physical processes with distinct propagation time scales. Here we propose the \textbf{Adaptive Physics Transformer} (APT), a geometry-, mesh-, and physics-agnostic neural operator that explicitly addresses these challenges. APT fuses a graph-based encoder to extract high-resolution local heterogeneous features with a global attention mechanism to resolve long-range physical impacts. Our results demonstrate that APT outperforms state-of-the-art architectures in subsurface tasks across both regular and irregular grids with robust super-resolution capabilities. Notably, APT is the first architecture that directly learns from adaptive mesh refinement simulations. We also demonstrate APT's capability for cross-dataset learning, positioning it as a robust and scalable backbone for large-scale subsurface foundation model development.
- Abstract（参考訳）: 地球の地下は現代の社会の基盤であり、炭化水素、地熱、鉱物といった重要なエネルギー資源を提供しながら、CO_2$隔離のための主要な貯水池となっている。
しかしながら、これらのシステムの完全な物理数値シミュレーションは、地質学的不均一性、高分解能要求、異なる伝播時間スケールの物理過程の密結合により、計算に費用がかかることで知られている。
本稿では、これらの課題に明示的に対処する幾何学的、メッシュ的、物理に依存しないニューラル演算子である \textbf{Adaptive Physics Transformer} (APT) を提案する。
APTはグラフベースのエンコーダを融合して、長距離物理的影響を解決するグローバルアテンション機構を備えた高分解能な局所異種特徴を抽出する。
以上の結果から,ATTは高解像度機能を有する正則格子および不規則格子の両面における地下タスクにおける最先端のアーキテクチャよりも優れることが示された。
特に、APTは適応メッシュ精錬シミュレーションから直接学習する最初のアーキテクチャである。
また,APTのクロスデータセット学習能力を示すとともに,大規模地下基盤モデル構築のための堅牢でスケーラブルなバックボーンとして位置づける。
関連論文リスト
- Improving Full Waveform Inversion in Large Model Era [25.26004497243484]
シミュレーションおよび比較的単純なデータに基づいて完全に訓練されたモデルが、挑戦的な地質学的ベンチマークに対して驚くほどよく一般化可能であることを示す。
提案モデルは,OpenFWI上での最先端性能を実現し,データ駆動型FWIの一般化ギャップを大幅に狭める。
論文 参考訳（メタデータ） (2026-02-27T23:33:06Z) - Aligning Agentic World Models via Knowledgeable Experience Learning [68.85843641222186]
環境フィードバックをシンセサイザー化したWorld Knowledge Repositoryを構築するフレームワークであるWorldMindを紹介する。
WorldMindは、優れたクロスモデルとクロス環境転送性を備えたベースラインよりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-01-19T17:33:31Z) - PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。
静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。
高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
論文 参考訳（メタデータ） (2026-01-19T07:57:52Z) - UniSH: Unifying Scene and Human Reconstruction in a Feed-Forward Pass [83.7071371474926]
UniSHは、統合されたフィードフォワードフレームワークで、共同でメートルスケールの3Dシーンと人間の再構築を行う。
我々のフレームワークは、シーン再構築とHMRとの違いを強く橋渡しします。
本モデルは,人間中心のシーン再構築における最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-01-03T16:06:27Z) - Fine-tune Smarter, Not Harder: Parameter-Efficient Fine-Tuning for Geospatial Foundation Models [16.522696273752835]
地球観測は、環境変化の監視、災害への対応、天然資源の管理に不可欠である。
基礎モデルにより、リモートセンシング画像解析により、関係する地理情報を正確かつ効率的に取得することができる。
これらのモデルのサイズが大きくなるにつれて、関連する計算資源とコストのために微調整がますます困難になる。
論文 参考訳（メタデータ） (2025-04-24T09:37:02Z) - Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。
このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。
本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
論文 参考訳（メタデータ） (2025-03-14T02:58:24Z) - Synergizing Deep Learning and Full-Waveform Inversion: Bridging Data-Driven and Theory-Guided Approaches for Enhanced Seismic Imaging [0.0]
本稿では, 深層学習(DL)とフルウェーブフォーム・インバージョン(FWI)の統合について検討する。
DLとFWIの相乗効果は、地球地下の新たな洞察を与え、地球物理学を変革する可能性がある。
論文 参考訳（メタデータ） (2025-02-24T19:09:56Z) - PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。
この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。
また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文 参考訳（メタデータ） (2024-04-25T15:06:58Z) - A Physics-guided Generative AI Toolkit for Geophysical Monitoring [13.986582633154226]
フルウェーブフォーム・インバージョン(FWI)は地下探査において重要な役割を担っている。
物理原理で導かれる拡散モデルを用いて高忠実度速度マップを生成するEdGeoツールキットを提案する。
論文 参考訳（メタデータ） (2024-01-06T06:09:05Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳（メタデータ） (2023-07-20T05:49:21Z) - PhysFormer: Facial Video-based Physiological Measurement with Temporal
Difference Transformer [55.936527926778695]
近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。
本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
論文 参考訳（メタデータ） (2021-11-23T18:57:11Z) - Physics-Consistent Data-driven Waveform Inversion with Adaptive Data
Augmentation [12.564534712461331]
我々は、FWI(Full-waveform Inversion)を解くための新しいハイブリッド計算手法を開発した。
トレーニングセットの表現性を向上するデータ拡張戦略を開発する。
本研究では, カルフォルニア州キンベリナの炭素沈殿場に構築された地下地質モデルから得られた弾性地震波形データに本手法を適用した。
論文 参考訳（メタデータ） (2020-09-03T17:12:55Z)
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。