論文の概要: Korzhinskii-Net: Physics-Informed Neural Network for Sub-Surface Mineral Prospectivity Modelling

• arxiv url: http://arxiv.org/abs/2606.13695v1
• Date: Sun, 31 May 2026 06:50:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-21 20:00:42.73278
• Title: Korzhinskii-Net: Physics-Informed Neural Network for Sub-Surface Mineral Prospectivity Modelling
• Title（参考訳）: Korzhinskii-Net: 地表面鉱物探査モデルのための物理インフォームドニューラルネットワーク
• Authors: Boris Kriuk,
• Abstract要約: Korzhinskii-Netは2次元ラジアル物理インフォームドニューラルネットワーク(PINN)である ダーシー流、対流拡散熱輸送、ソフトプラス飽和反応速度を1つの微分可能な前方モデルに結合する。 我々は,コモディティ・クラスにまたがる5つの鉱区において,Korzhinskii-Netを評価した。
• 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: Mineral prospectivity modelling (MPM) underpins exploration economics, yet most operational pipelines reduce to data-driven classifiers trained on shallow surface proxies. Such models are blind to the subsurface physics that actually localises ore: heat advection, fluid flow, and lithology-dependent precipitation. We present Korzhinskii-Net, a 2-D radial physics-informed neural network (PINN) that couples Darcy flow, advective-diffusive heat transport, and a softplus-saturated reaction rate into a single differentiable forward model, weakly supervised by surface and remote-sensing proxies. The network is named after Dmitri S. Korzhinskii (1899-1985), whose theory of infiltration metasomatism provides the physical scaffold. We evaluate Korzhinskii-Net on five ore provinces spanning four commodity classes -- Norilsk (Ni-Cu-PGE), Pechenga (Ni-Cu sulphide), Udokan (sandstone-hosted Cu), Sukhoi Log (orogenic Au), and Mirny (kimberlitic diamond) -- under a fair, leakage-controlled 5-fold cross-validation protocol with hard ring-shaped negatives. Korzhinskii-Net attains a mean PR-AUC of 0.885 versus 0.281 for the strongest classical baseline (gradient boosting), and a mean fractional rank of 0.019 versus 0.413. The improvement is consistent across all five provinces and four commodity systems, suggesting that physics-informed differentiable simulators, even when constrained only by global open-data proxies, can recover localisation patterns that pure feature-based learners systematically miss. We release the full pipeline and evaluation harness as open source.
• Abstract（参考訳）: 鉱物探査モデル(MPM)は、探査経済学の基盤となっているが、ほとんどの運用パイプラインは浅い表面プロキシで訓練されたデータ駆動型分類器に還元される。 このようなモデルは、実際に鉱石を局在させる地下物理学(熱対流、流体流、リソロジーに依存した降水)に盲目である。 我々は,Darcyフロー,対流拡散熱輸送,ソフト・プラス飽和反応速度を1つの微分可能前方モデルに結合し,表面およびリモートセンシングプロキシによって弱制御された2次元ラジアル物理インフォームニューラルネットワーク(PINN)であるKorzhinskii-Netを提案する。 このネットワークはDmitri S. Korzhinskii (1899-1985) に因んで名付けられ、その浸透メタソマティズムの理論は物理的な足場を提供する。 我々は,ノリリスク(Ni-Cu-PGE),ペチェンガ(Ni-Cu-スルフィド),ウドカン(砂岩が宿るCu),スホイログ(オージェネティックAu),ミラニー(キバリティックダイヤモンド)の4つのコモディティクラスにまたがる5つのオリジンスキーネットの評価を行った。 Korzhinskii-NetのPR-AUCの平均は0.885対0.281で、最も強い古典的ベースラインは0.019対0.413である。 この改良は5つの州と4つのコモディティシステムで一貫して行われており、物理インフォームドな差別化シミュレータは、グローバルなオープンデータプロキシのみに制約されても、純粋に特徴に基づく学習者が体系的に見逃すようなローカライゼーションパターンを回復することができることを示唆している。 完全なパイプラインと評価ハーネスをオープンソースとしてリリースしています。

関連論文リスト

• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Physics-informed Neural Operator Learning for Nonlinear Grad-Shafranov Equation [18.564353542797946]
  磁気閉じ込め核融合では、Grad-Shafranov方程式(GSE)の迅速かつ正確な解はリアルタイムプラズマ制御と解析に不可欠である。 従来の数値解法は精度が高く、計算は禁じられているが、データ駆動サロゲートは素早く推論するが、物理法則を強制せず、トレーニング分布をはるかに越えて一般化することができない。 本稿では, GSE 解演算子を直接学習する物理インフォームド・ニューラル演算子 (PINO) について述べる。
  論文  参考訳（メタデータ） (2025-11-24T13:46:38Z)
• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• Adaptive Physics-Informed Neural Networks with Multi-Category Feature Engineering for Hydrogen Sorption Prediction in Clays, Shales, and Coals [1.5749416770494706]
  本研究では, 適応型物理インフォームドニューラルネットワーク(PINN)フレームワークを導入し, 水素吸着予測を向上する。 PINNは、アダプティブ・ロス関数とモンテカルロ・ドロップアウトにより、不確実な定量化のために最適化された、多面的な注意を伴うディープ・リザーブ・ネットワークを採用している。 このフレームワークは、粘土鉱物、シェール、石炭をまたいだ堅牢なリソロジー特性を示し、85-91%の信頼性スコアを維持している。
  論文  参考訳（メタデータ） (2025-08-24T19:41:33Z)
• A Mechanism-Learning Deeply Coupled Model for Remote Sensing Retrieval of Global Land Surface Temperature [17.57893699503326]
  リモートセンシングデータから地表面温度(LST)を抽出することは、気候過程や地表面エネルギー予算を分析する上で重要である。 本稿では,単一チャネルLST検索の精度と一般化性を高めるため,メカニスティックモデリングと機械学習を統合した深い結合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-10T06:19:01Z)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• GDP: Stabilized Neural Network Pruning via Gates with Differentiable Polarization [84.57695474130273]
  ゲートベースまたは重要度に基づくプルーニング手法は、重要度が最小のチャネルを削除することを目的としている。 GDPは、各チャネルのオン・アンド・オフを制御するために、ベルやホイッスルのない畳み込み層の前に接続することができる。 CIFAR-10とImageNetデータセットを用いて行った実験は、提案したGDPが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2021-09-06T03:17:10Z)
• Compact representations of convolutional neural networks via weight pruning and quantization [63.417651529192014]
  本稿では、音源符号化に基づく畳み込みニューラルネットワーク(CNN)の新しいストレージフォーマットを提案し、重み付けと量子化の両方を活用する。 我々は、全接続層で0.6%、ネットワーク全体で5.44%のスペース占有率を削減し、最低でもベースラインと同じくらいの競争力を発揮する。
  論文  参考訳（メタデータ） (2021-08-28T20:39:54Z)
• Physics-aware deep neural networks for surrogate modeling of turbulent natural convection [0.0]
  Rayleigh-B'enard乱流流に対するPINNのサーロゲートモデルの使用を検討する。 標準ピンの精度が低いゾーンであるトレーニング境界に近い正規化として、どのように機能するかを示す。 50億のDNS座標全体のサロゲートの予測精度は、相対的なL2ノルムで[0.3% -- 4%]の範囲のすべてのフロー変数のエラーをもたらします。
  論文  参考訳（メタデータ） (2021-03-05T09:48:57Z)

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。