論文の概要: Geo-Strat-RL: Learning Geological Event Reasoning from Verifiable Tasks

• arxiv url: http://arxiv.org/abs/2606.25000v1
• Date: Tue, 23 Jun 2026 16:20:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.088881
• Title: Geo-Strat-RL: Learning Geological Event Reasoning from Verifiable Tasks
• Title（参考訳）: Geo-Strat-RL:検証可能なタスクから地質イベント推論を学ぶ
• Authors: Lukas Mosser,
• Abstract要約: 層序観測とコンパクトな可視的事象履歴を生成する合成環境であるGeo-Strat-RLを提案する。 我々は,RLVRが視覚言語モデル(VLM)の地質学的再構成を改善し,階層図上での地質学的内容のスコアを増大させることを示す。 さらに, 合成地震観測領域において, 生成したシーンを音響インピーダンス由来の振幅区間に変換することにより, 同様の地質学的履歴を評価する。
• 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: To evaluate whether vision-language models can reason about geological histories, it is necessary to construct observations for which the underlying process history is known. Furthermore, reasoning over geological histories is not just a question of recognizing visual patterns, but also of understanding temporal and structural relationships that may be only indirectly visible or highly ambiguous. When ground-truth event histories are not uniquely identifiable or are unavailable, it remains an open challenge to teach models capable of visual reasoning to produce valid geological reconstructions that are consistent with both observed evidence and geological principles. We therefore investigate whether defining a verifiable geological reasoning task can improve geological event reconstruction across observation domains through reinforcement learning with verifiable rewards (RLVR). To this end, we present Geo-Strat-RL, a synthetic environment that generates stratigraphic observations and compact visible-evidence event histories. The environment combines a geological generator with an executable verifier that scores chronology, event identity, deposition, and structural relationships. We show that RLVR improves geological reconstruction in vision-language models (VLMs), increasing geological content scores on held out stratigraphic diagrams. We further evaluate the same held-out geological histories in a synthetic seismic observation domain by converting the generated scenes into acoustic-impedance-derived amplitude sections. In this controlled paired-renderer setting, we present evidence that geological reasoning learned from stratigraphic diagram-domain RLVR training transfers to synthetic seismic representations without seismic-specific training examples, supporting the hypothesis that RLVR can teach reusable geological reasoning concepts across related observation formats.
• Abstract（参考訳）: 視覚言語モデルが地質学的履歴を推論できるかどうかを評価するためには、その基盤となるプロセス履歴が知られている観察を構築する必要がある。 さらに、地質学的ヒストリーに対する推論は、単に視覚的パターンを認識することの問題だけではなく、間接的にのみ見えるか、非常に曖昧であるかもしれない時間的・構造的関係を理解する問題でもある。 地中真実の出来事履歴が一意に特定できない、あるいは利用できない場合、観察された証拠と地質学的原則の両方に整合した有効な地質学的復元を作成するために、視覚的推論が可能なモデルを教えることは、依然としてオープンな課題である。 そこで我々は, 検証可能な地質学的推論タスクの定義が, 検証可能な報酬付き強化学習(RLVR)を通して, 観測領域間の地質学的事象再構成を改善するか否かを検討する。 この目的のために, 層序観測とコンパクトな可視的事象履歴を生成する合成環境であるGeo-Strat-RLを提案する。 この環境は地質学のジェネレータと、時系列、事象の同一性、堆積、構造的関係をスコアする実行可能な検証器を組み合わせる。 我々は,RLVRが視覚言語モデル(VLM)の地質学的再構成を改善し,階層図上での地質学的内容のスコアを増大させることを示す。 さらに, 合成地震観測領域において, 生成したシーンを音響インピーダンス由来の振幅区間に変換することにより, 同様の地質学的履歴を評価する。 この制御されたペアレンダー・セッティングにおいて,RLVRが関係する観測形式にまたがって再利用可能な地質学的推論概念を教えることができるという仮説を支持するため,層序図領域のRLVRトレーニングから得られた地質学的推論が,地震固有のトレーニング例を使わずに人工地震的表現へ移行する証拠を提示する。

関連論文リスト

• Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
  本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。 この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。 提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
  論文  参考訳（メタデータ） (2026-06-15T18:19:17Z)
• CoarseSoundNet: Building a reliable model for ecological soundscape analysis [73.44688723989053]
  サウンドスケープは、生物音(動物音)、地球音(自然無生物音)、人類音(人間音)の3種類からなる。
  論文  参考訳（メタデータ） (2026-05-20T13:18:11Z)
• Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
  我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。 多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。 本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
  論文  参考訳（メタデータ） (2026-05-07T14:27:48Z)
• GIAT: A Geologically-Informed Attention Transformer for Lithology Identification [6.315199366662337]
  Geologically-Informed Attention Transformer (GIAT) は、データ駆動型地質学的先行をTransformerの注意機構と融合させる新しいフレームワークである。 GIATは95.4%の精度で最先端のパフォーマンスを達成し、既存のモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-03-10T04:02:57Z)
• Towards Unified Vision Language Models for Forest Ecological Analysis in Earth Observation [10.566310652119148]
  REO-Instructは、地球観測データセットにおける記述的タスクと回帰的タスクの両方のために設計された最初の統一ベンチマークである。 このデータセットは、共登録されたSentinel-2とALOS-2の画像と、ハイブリッドAIパイプラインを通じて生成された構造化テキストアノテーションを統合し、検証する。
  論文  参考訳（メタデータ） (2025-11-20T23:28:30Z)
• History Matching under Uncertainty of Geological Scenarios with Implicit Geological Realism Control with Generative Deep Learning and Graph Convolutions [0.10923877073891446]
  グラフベースの変分オートエンコーダは、異なる地質学的シナリオの不確実性を扱うことができるアーキテクチャを表す。 我々はPCA, t-SNE, TDAなどのツールを用いて, 潜伏空間の詳細な解析を行い, その構造を説明する。
  論文  参考訳（メタデータ） (2025-07-14T12:14:17Z)
• Geological Everything Model 3D: A Promptable Foundation Model for Unified and Zero-Shot Subsurface Understanding [9.766922279347547]
  Geological Everything Model 3D (GEM) は、タスクを迅速な条件付き推論として再構成する統合生成アーキテクチャである。 GEMは、新しいタスクやデータソースを再訓練することなく、不均一なプロンプト型を持つタスク間でゼロショットの一般化を実現する。 GEMは、火星レーダー層序解析、沈み込み帯の構造解釈、完全な地震層序解釈、地体セグメンテーション、資産モデリングなど、調査やタスクに幅広い適用性を示す。
  論文  参考訳（メタデータ） (2025-07-01T04:14:13Z)
• SPARTAN: A Sparse Transformer Learning Local Causation [63.29645501232935]
  因果構造は、環境の変化に柔軟に適応する世界モデルにおいて中心的な役割を果たす。 本研究では,SPARse TrANsformer World Model(SPARTAN)を提案する。 オブジェクト指向トークン間の注意パターンに空間規則を適用することで、SPARTANは、将来のオブジェクト状態を正確に予測するスパース局所因果モデルを特定する。
  論文  参考訳（メタデータ） (2024-11-11T11:42:48Z)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)

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。