論文の概要: Generative wave propagator

• arxiv url: http://arxiv.org/abs/2607.04440v1
• Date: Sun, 05 Jul 2026 18:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.932616
• Title: Generative wave propagator
• Title（参考訳）: 生成波伝搬器
• Abstract要約: 本研究では,1段階から次段階の地震波動場を進行させる条件付き拡散型波動伝搬器を提案する。 ネットワークをトレーニングして、クリーンな次のウェーブフィールドスナップショットを直接予測することで、この強い物理条件付けにより、反復的な逆拡散プロセスを置き換えることができる。 オーバースラスト,SEG/EAGE,Marmousiモデルによる実験により,提案手法が正確にウェーブフィールドスナップショットを再現し,ショット収集を行うことを示した。
• 参考スコア（独自算出の注目度）: 3.7098038388802252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Seismic wavefield simulation is fundamental to seismology, but conventional finite-difference (FD) methods remain limited by numerical dispersion and stability constraints, which often require dense spatial grids and small time steps and thereby severely limit the effectiveness of iterative inversion workflows. We introduce a conditional diffusion-based wavefield propagator that advances seismic wavefields recursively from one time step to the next. Instead of learning an unconditional data distribution of wavefield evolution, the model is conditioned by a short history of recent wavefield time steps (snapshots), the velocity model, and the wavefield time step index, allowing it to represent the conditional transition between adjacent physical states. By training the network to directly predict the clean next wavefield snapshot, this strong physical conditioning makes it possible to replace the iterative reverse diffusion process with a single network evaluation for each predicted snapshot. To improve stability over long recursive rollouts, we further introduce a causal time-weighted loss, in which adaptive weights, accumulated as exponential moving averages of per-snapshot training errors, emphasize training directions that are consistent with the forward propagation sequence and reduce the amplification of one-step prediction errors. Because the learned propagator is tied to the temporal spacing of the training snapshots rather than to the FD stability limit, it can advance the wavefield using a physical time step ten times larger than that required by the underlying solver. Experiments on the Overthrust, SEG/EAGE, and Marmousi models show that the proposed method accurately reproduces wavefield snapshots and shot gathers and achieves an end-to-end speedup of 2.17 x over a GPU-accelerated tenth-order staggered-grid FD implementation under matched hardware conditions.
• Abstract（参考訳）: 地震波場シミュレーションは地震学の基本的手法であるが、従来の有限差分法(FD)法は数値分散と安定性の制約によって制限されている。 本研究では, 波動場を1段階から次段階に再帰的に進行させる条件付き拡散型波動伝搬器を提案する。 波動場進化の非条件データ分布を学ぶ代わりに、このモデルは最近の波動場時間ステップ(スナップショット)、速度モデル、および波動場時間ステップ指数の短い歴史によって条件付けられ、隣接する物理状態間の条件遷移を表現することができる。 この強い物理条件付けにより、反復的逆拡散過程を予測されたスナップショットごとに単一のネットワーク評価で置き換えることができる。 長時間再帰的なロールアウトの安定性を向上させるため,スナップショット毎のトレーニングエラーの指数移動平均として蓄積される適応重み付けによる因果時間重み付き損失を導入し,前方伝播シーケンスに整合したトレーニング方向を強調し,一段階予測誤差の増幅を低減する。 学習したプロパゲータは、FD安定限界よりもトレーニングスナップショットの時間間隔に結びついているので、基礎となるソルバよりも10倍大きな物理時間ステップを用いて波動場を前進させることができる。 Overthrust, SEG/EAGE, および Marmousi モデルによる実験により,提案手法は, 一致するハードウェア条件下での10階スタガードグリッドFD実装に対して, ウェーブフィールドスナップショットを正確に再現し, ショット収集を行い, エンドツーエンドの2.17倍の高速化を実現する。

関連論文リスト

• ROMNet: a hybrid reduced order modeling and machine learning approach to waveform inversion [53.79823394212125]
  波形インバージョンは、不均一で到達不能な媒体の波速を推定しようとする。 ROMNetと呼ばれる手法を導入し,数値シミュレーションで検証する。 ROMNet と直接 ROM ベースの逆変換と FWI に対する2つの代表的な深層学習手法を比較した。
  論文  参考訳（メタデータ） (2026-08-25T21:13:39Z)
• Rethinking Pixel Mean Flows via Interval Denoiser [95.11499828543344]
  潜在自由生成のためのフレームワークであるInterval Denoiserを提案する。 その結果,FIDは1ステップ (1-NFE) で4.55, 2ステップ (2-NFE) で3.98であった。
  論文  参考訳（メタデータ） (2026-08-05T13:22:43Z)
• Parameter Calibration for Reduced-Bandwidth Two-Photon Waveguide-QED Simulations [0.0]
  本稿では、導波路-QEDシミュレーションにおける有効帯域幅を明示的に制御するエンドツーエンドフレームワークを提案する。 周波数領域の切り換えにはモデルパラメータの一貫したシフトが必要であることを示す。 縮小モデルの物理的精度を維持するための体系的な校正手順を導出する。
  論文  参考訳（メタデータ） (2026-07-25T04:22:23Z)
• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
  現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。 ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。 本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
  論文  参考訳（メタデータ） (2026-02-06T03:24:23Z)
• PMT Waveform Simulation and Reconstruction with Conditional Diffusion Network [1.2599533416395765]
  光増倍管(英語版)(PMT)は粒子物理学や核物理学の実験に広く用いられている。 PMT波形再構成の精度は検出器の空間分解能とエネルギー分解能に直接影響を及ぼす。 本研究では,条件付き拡散ネットワークを基盤とした弱教師付き波形シミュレーションと再構成手法を提案する。
  論文  参考訳（メタデータ） (2026-02-05T15:30:47Z)
• WADEPre: A Wavelet-based Decomposition Model for Extreme Precipitation Nowcasting with Multi-Scale Learning [10.39382090254482]
  WADEPre はウェーブレットに基づく極度の降水に対する分解モデルであり、モデリングをウェーブレット領域に遷移させる。 SEVIRとShanghai Radarデータセットの実験は、WADEPreが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-02-02T13:40:57Z)
• Physics-informed waveform inversion using pretrained wavefield neural operators [9.048550821334116]
  フルウェーブフォームインバージョン(FWI)は高分解能地下モデルの再構築に不可欠である。 学習波動場ニューラル演算子を用いてFWIを加速する最近の試みは、効率と微分可能性の有望性を示している。 ニューラル演算子に基づくFWIの効率を維持しつつ、精度の反転を高める新しい物理インフォームドFWIフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-10T19:57:18Z)
• Diffusion prior as a direct regularization term for FWI [0.0]
  フルウェーブフォーム・インバージョン(FWI)に先立つスコアベース生成拡散を提案する。 従来の拡散法とは異なり,本手法は逆拡散サンプリングを回避し,イテレーションを少なくする。 提案手法は,従来およびGANベースのFWI手法と比較して,忠実度と堅牢性を向上する。
  論文  参考訳（メタデータ） (2025-06-11T19:43:23Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)

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。