論文の概要: LithoFormer: A Robust Framework for Stratigraphic Inference via Transformers
- arxiv url: http://arxiv.org/abs/2607.22804v1
- Date: Fri, 24 Jul 2026 15:33:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.882818
- Title: LithoFormer: A Robust Framework for Stratigraphic Inference via Transformers
- Title（参考訳）: LithoFormer: トランスフォーマーによる階層推論のためのロバストフレームワーク
- Abstract要約: 本稿では,Seq2Seqトランスモデルを用いた階層的推論のための頑健なフレームワークであるLithoFormerを紹介する。
LithiumFormerは、単一のパスで多変量井戸ログ全体を取り込みます。
これは、中央境界誤差の90%を減少させ、層序的順序違反を排除している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate geological characterization of subsurface reservoirs from well log data is essential to support projects such as carbon capture and storage (CCS), geothermal development, and extraction of natural resources. Existing automated techniques for geological characterization primarily use sliding-window classification, which limits their ability to understand broader geological contexts, often leading to misaligned formation layers. To overcome these limitations, we introduce LithoFormer, a robust framework for stratigraphic inference using a Seq2Seq transformer model that ingests entire multivariate well logs in a single pass. The framework utilizes a channel-independent PatchTST backbone enhanced with rotary positional embeddings (RoPE) to capture long-range geological dependencies across entire multivariate well logs. A decoupled multi-task head is employed to jointly predict geological zonation and precise boundary probabilities, while a geology-informed loss function enforces physical constraints such as the Law of Superposition. Validated and deployed on three real-world datasets, LithoFormer demonstrates a 90% reduction in median boundary error and eliminates stratigraphic order violations compared to traditional sliding-window baselines. It also achieves a 80% reduction in manual expert labor and eliminates stratigraphic inconsistencies, providing a scalable and reliable solution for large-scale subsurface modeling.
- Abstract（参考訳）: 炭素捕獲・貯蔵(CCS)、地熱開発、天然資源の抽出といったプロジェクトを支援するためには、坑井データからの地下貯水池の正確な地質学的特徴が不可欠である。
地質学的特徴付けのための既存の自動技術は、主にスライドウインドウ分類を使用し、より広い地質学的文脈を理解する能力を制限し、しばしば不整合形成層に繋がる。
これらの制限を克服するため,我々はSeq2Seqトランスフォーマーモデルを用いて,階層的推論のための堅牢なフレームワークであるLithoFormerを紹介した。
このフレームワークは、回転位置埋め込み(RoPE)によって強化されたチャネル非依存のPatchTSTバックボーンを使用して、多変量井戸丸太全体の長距離地質的依存関係をキャプチャする。
切り離されたマルチタスクヘッドは、地質的な帯状化と正確な境界確率を共同で予測するために使用され、地質情報による損失関数は、重ね合わせの法則のような物理的制約を強制する。
3つの実世界のデータセットに検証され、デプロイされたLithoFormerは、中央値境界誤差の90%削減を示し、従来のスライドウィンドウベースラインと比較して、階層的な順序違反を排除している。
また、手作業の80%の削減を実現し、階層的不整合を排除し、大規模地下モデリングのためのスケーラブルで信頼性の高いソリューションを提供する。
関連論文リスト
- Attention-Guided Flow-Matching for Sparse 3D Geological Generation [7.734651455015875]
3D-GeoFlowは、スパースマルチモーダルな地質モデリングに適した最初のアテンションガイド型連続フローマッチングフレームワークである。
離散カテゴリー生成をシミュレーションのない連続ベクトル場回帰として再構成することにより、安定な決定論的最適輸送経路を確立する。
この枠組みを検証するため,2200件の手続き的に生成された3次元地質事例からなる大規模マルチモーダルデータセットをキュレートした。
論文 参考訳（メタデータ） (2026-04-07T07:02:53Z) - Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis [48.809049043865905]
低レベルのコンピュータビジョンでは,イメージデライン化が重要な役割を担っている。
ディープラーニングのパラダイムは、目に見えないアウト・オブ・ディストリビューションシナリオに一般化された場合、厳しいパフォーマンス劣化に悩まされることが多い。
本稿では,クロスシナリオ・デライニング適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-23T07:38:55Z) - 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) - Fluxamba: Topology-Aware Anisotropic State Space Models for Geological Lineament Segmentation in Multi-Source Remote Sensing [6.815807403335458]
トポロジ対応の機能修正フレームワークを導入した軽量アーキテクチャを提案する。
F Fluxambaは3.4Mパラメータと6.3G FLOPで24FPS以上のリアルタイム推論速度を達成する。
論文 参考訳（メタデータ） (2026-01-24T03:55:21Z) - 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) - Knowledge-guided Complex Diffusion Model for PolSAR Image Classification in Contourlet Domain [58.46450049579116]
本稿では,Contourlet領域におけるPolSAR画像分類のための知識誘導複合拡散モデルを提案する。
具体的には、まずデータを低周波サブバンドと高周波サブバンドに分解するためにContourlet変換を適用する。
次に、低周波成分の統計特性をモデル化するために、知識誘導複合拡散ネットワークを設計する。
論文 参考訳（メタデータ） (2025-07-08T04:50:28Z) - SDF-TopoNet: A Two-Stage Framework for Tubular Structure Segmentation via SDF Pre-training and Topology-Aware Fine-Tuning [2.3436632098950456]
主な課題は、計算効率を維持しながら位相的正しさを確保することである。
改良されたトポロジ対応セグメンテーションフレームワークである textbfSDF-TopoNet を提案する。
SDF-TopoNetは, 位相的精度と定量的セグメンテーションの指標の両方において, 既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2025-03-14T23:54:38Z) - Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。
ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。
トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-05T16:20:14Z) - ECoFLaP: Efficient Coarse-to-Fine Layer-Wise Pruning for Vision-Language
Models [70.45441031021291]
LVLM(Large Vision-Language Models)は、様々なモダリティから豊富な情報を統合することで、世界を包括的に理解することができる。
LVLMは計算/エネルギーの膨大なコストと炭素消費のためにしばしば問題となる。
本稿では,LVLMの2段間粗大な重み付け法であるECoFLaP(Efficient Coarse-to-Fine LayerWise Pruning)を提案する。
論文 参考訳（メタデータ） (2023-10-04T17:34:00Z) - DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。
特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。
マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
論文 参考訳（メタデータ） (2023-08-03T17:59:04Z) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳（メタデータ） (2022-10-31T04:04:03Z)
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。