論文の概要: Enforcing Reciprocity in Operator Learning for Seismic Wave Propagation

• arxiv url: http://arxiv.org/abs/2602.11631v1
• Date: Thu, 12 Feb 2026 06:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.674958
• Title: Enforcing Reciprocity in Operator Learning for Seismic Wave Propagation
• Title（参考訳）: 地震波伝搬のための演算子学習における相互性強化
• Abstract要約: 本稿では地震波伝搬をモデル化するトランスフォーマアーキテクチャであるReciprocity-Enforced Neural Operator (RENO)を紹介する。 単力下での粒子速度場に対する相互関係を用いた関数の実証を行った。 このアーキテクチャは、拡張的ソースの下での圧力場や、エイコナル方程式によって支配される走行時間場にも適用できる。
• 参考スコア（独自算出の注目度）: 10.698164504306732
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and efficient wavefield modeling underpins seismic structure and source studies. Traditional methods comply with physical laws but are computationally intensive. Data-driven methods, while opening new avenues for advancement, have yet to incorporate strict physical consistency. The principle of reciprocity is one of the most fundamental physical laws in wave propagation. We introduce the Reciprocity-Enforced Neural Operator (RENO), a transformer-based architecture for modeling seismic wave propagation that hard-codes the reciprocity principle. The model leverages the cross-attention mechanism and commutative operations to guarantee invariance under swapping source and receiver positions. Beyond improved physical consistency, the proposed architecture supports simultaneous realizations for multiple sources without crosstalk issues. This yields an order-of-magnitude inference speedup at a similar memory footprint over an reciprocity-unenforced neural operator on a realistic configuration. We demonstrate the functionality using the reciprocity relation for particle velocity fields under single forces. This architecture is also applicable to pressure fields under dilatational sources and travel-time fields governed by the eikonal equation, paving the way for encoding more complex reciprocity relations.
• Abstract（参考訳）: 高精度で効率的な波動場モデリングは、地震構造と震源研究を支える。 伝統的な手法は物理法則に従っているが、計算集約的である。 データ駆動方式は、進歩のための新たな道を開く一方で、厳密な物理的一貫性を組み込んでいない。 相互性の原理は波動伝播における最も基本的な物理法則の1つである。 本稿では,Reciprocity-Enforced Neural Operator (RENO)について紹介する。 このモデルはクロスアテンション機構と可換演算を利用して、ソースと受信位置の交換による不変性を保証する。 物理的整合性の改善に加えて、提案アーキテクチャはクロストーク問題なく複数のソースの同時実現をサポートする。 これにより、現実的な構成で相互に無力なニューラル演算子よりも、同じメモリフットプリントでのオーダーオブマグニチュード推論のスピードアップが得られる。 単力下での粒子速度場に対する相互関係を用いた関数の実証を行った。 このアーキテクチャは、拡張的ソースの下での圧力場や、より複雑な相互関係を符号化する方法を編み出したエイコラル方程式によって支配される旅行時間場にも適用できる。

関連論文リスト

• Can Deep Learning Achieve Cross-Physics Mapping? [7.103004812157351]
  CPM(Cross-Physics Mapping)は、不均一な物理領域間のマッピングのための演算子学習フレームワークである。 ResUNet, DeepONet, Fourier, latent, wavelet, U-shaped, Galerkinの7つのアーキテクチャを拡散-波動-拡散マッピングと波動-拡散マッピングの両方で評価した。
  論文  参考訳（メタデータ） (2026-09-15T08:45:23Z)
• Inhomogeneous Light-Matter Coupling as a Resource for Noiseless Quantum Memory [0.0]
  2レベル系の不均一アンサンブルは、基本的な光物質物理学および量子ネットワーク応用において重要である。 我々は,このようなシステムにおける集合力学の直観的かつ解析的な記述を提供する一般的な導波管モデルを開発した。 エコーに基づく量子記憶の場合、このモデルは断熱パルスによるノイズ・エチョ抑制の物理的起源を明らかにする。 絡み合い発生のため、同じ機構は、未探索のロバスト制御パルスの制限を露呈し、新しい複合パルスプロトコルをもたらす。
  論文  参考訳（メタデータ） (2026-05-26T09:52:38Z)
• Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
  フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。 FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。 連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
  論文  参考訳（メタデータ） (2026-03-23T03:22:33Z)
• PRISM: Parallel Residual Iterative Sequence Model [52.26239951489612]
  我々はこの緊張を解決するためにPRISM(Parallel Residual Iterative Sequence Model)を提案する。 PRISMは、パラレル化可能な形で多段階精製の重要な構造特性を捉える、ソルバに着想を得た帰納バイアスを導入している。 この定式化が Rank-$L$ の蓄積を達成することを証明し、更新多様体を単一ステップの Rank-$1$ ボトルネックを超えて構造的に拡張する。
  論文  参考訳（メタデータ） (2026-02-11T12:39:41Z)
• Parallel Complex Diffusion for Scalable Time Series Generation [50.01609741902786]
  PaCoDiは周波数領域における生成モデリングを分離するスペクトルネイティブアーキテクチャである。 本研究では,PaCoDiが生成品質と推論速度の両方において,既存のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-10T14:31:53Z)
• Optimal Effective Hamiltonian for Quantum Computing and Simulation [1.0359978670015826]
  実効モデルの基本原理としてLast Action Unitary Transformationを確立します。 この枠組みを超伝導量子プロセッサの実験データに対して検証する。 この研究は、高精度なシステム学習とハミルトン工学のための体系的で実験的に検証されたルートを提供する。
  論文  参考訳（メタデータ） (2026-02-03T15:09:29Z)
• HFNO: an interpretable data-driven decomposition strategy for turbulent flows [0.0]
  乱流の低次モデリングに適した新しいFNOアーキテクチャを提案する。 提案したアーキテクチャは、波数ビンを並列に処理し、分散関係と非線形相互作用の近似を可能にする。 より複雑な力学系における提案モデルの評価を行った。
  論文  参考訳（メタデータ） (2025-11-03T12:57:19Z)
• Wave-Based Semantic Memory with Resonance-Based Retrieval: A Phase-Aware Alternative to Vector Embedding Stores [51.56484100374058]
  本稿では,波動パターン$psi(x) = A(x) eiphi(x)$として知識をモデル化し,共振に基づく干渉によってそれを検索する新しいフレームワークを提案する。 このアプローチは振幅情報と位相情報の両方を保存し、より表現的かつ堅牢な意味的類似性を実現する。
  論文  参考訳（メタデータ） (2025-08-21T10:13:24Z)
• Universal Physics Simulation: A Foundational Diffusion Approach [0.0]
  境界条件データから直接物理法則を学習する普遍物理学シミュレーションのための最初の基礎的AIモデルを提案する。 本手法は,シミュレーションを条件付き生成問題として扱うことにより,計算物理を再現する。 繰り返しにわたってエラーを蓄積するシーケンシャルなタイムステッピングメソッドとは異なり、私たちのアプローチは時間的統合を完全にバイパスします。
  論文  参考訳（メタデータ） (2025-07-13T18:12:34Z)
• RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [76.24833675757033]
  物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$k2$を提案する。 提案するRadioDiff-$k2$フレームワークは,画像レベルのRM構成とローカライズタスクの両方において,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2025-04-22T06:28:13Z)
• ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer [58.49950218437718]
  音声に同期した高忠実で一般化可能な人体動作を生成するための効率的なフレームワークであるReCoMを提案する。 Recurrent Embedded Transformer (RET)は、動的埋め込み正規化(DER)をViT(Vit)コアアーキテクチャに統合する。 モデルロバスト性を高めるため,ノイズ抵抗とクロスドメイン一般化の二重性を持つモデルに,提案したDER戦略を取り入れた。
  論文  参考訳（メタデータ） (2025-03-27T16:39:40Z)
• Efficient dynamic modal load reconstruction using physics-informed Gaussian processes based on frequency-sparse Fourier basis functions [0.0]
  本稿では,物理インフォームドガウス法(GP)を用いた効率的な動的負荷再構成法を提案する。 GPの共分散行列はシステム力学の記述を用いて構築され、構造応答測定を用いてモデルを訓練する。 開発されたモデルは, 構造的健康モニタリング, 損傷予後, 負荷モデル検証に応用できる可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-12T14:16:27Z)
• Transformer Meets Boundary Value Inverse Problems [4.165221477234755]
  変圧器を用いた深部直接サンプリング法は境界値逆問題のクラスを解くために提案される。 慎重に設計されたデータと再構成された画像の間に学習した逆演算子を評価することにより、リアルタイムな再構成を実現する。
  論文  参考訳（メタデータ） (2022-09-29T17:45:25Z)
• Autoencoder-driven Spiral Representation Learning for Gravitational Wave Surrogate Modelling [47.081318079190595]
  オートエンコーダを用いた経験的係数における基礎構造の存在について検討する。 ニューラルネットワークの第一層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し,入力空間を係数にマッピングする方法を学習する。 スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも一貫して速度-精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2021-07-09T09:03:08Z)
• Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
  クープマン理論に関連する新しい物理学に基づく手法が導入された。 本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。 このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
  論文  参考訳（メタデータ） (2020-03-04T18:24:30Z)

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。