論文の概要: Physical Cross-Modal Masked Autoencoding for Seismic-to-Well Representation Learning

• arxiv url: http://arxiv.org/abs/2609.36193v1
• Date: Mon, 28 Sep 2026 19:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.980239
• Title: Physical Cross-Modal Masked Autoencoding for Seismic-to-Well Representation Learning
• Title（参考訳）: 地震対湿式表現学習のための物理的クロスモーダルマスク自動符号化
• Abstract要約: 地下のキャラクタリゼーションは、3次元の地震が間接的な測定と井戸のログでスパース・ボアホールの高分解能な1次元計測を行う、極端に密度の高いスパース問題である。 本研究では, 地震対ウェル表現学習のための物理接地型クロスモーダルマスク型オートエンコーダ (CM-MAE) を提案する。 このモデルは地震量とウェルログの深さパッチを共同でトークン化し、4軸回転位置埋め込みを用いて両モードを連続的な物理座標に埋め込み、クロスモーダルデコーダでマスクされたターゲットを再構成する。
• 参考スコア（独自算出の注目度）: 40.02756366176796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning from scientific measurements often requires aligning modalities with different spatial support and resolution. Subsurface characterization is an extreme dense-sparse problem in which 3D seismic provides volumetric but indirect measurements and well logs provide high-resolution 1D measurements at sparse borehole locations. We introduce a physically grounded cross-modal masked autoencoder (CM-MAE) for seismic-to-well representation learning. The model jointly tokenizes seismic volumes and well-log depth patches, embeds both modalities in continuous physical coordinates using four-axis rotary position embeddings, and reconstructs masked targets with a cross-modal decoder. Sparse Mixture-of-Experts layers provide modality-specific capacity while dense attention allows information exchange between modalities. Pretraining uses 23 seismic volumes covering approximately 178,000 square km across U.S. offshore and onshore basins, together with approximately 92,000 wells. Matched-mask ablations show strongly asymmetric information flow. Seismic context improves held-out well-log reconstruction by 9.73%, while well-log context improves seismic reconstruction by 0.65%. We evaluate seismic-only pseudo-log predictions against independent interpreter-drawn salt-geobody masks to determine whether they contain geologic signal. Across offshore U.S. surveys, compressional-slowness-derived salt scores reach an AUROC of 0.910. In onshore basins, predicted compressional slowness preserves formation-scale structure and partial relative organization in an unseen survey despite calibration drift. CM-MAE learns useful seismic-to-well representations under extreme modality asymmetry, although absolute pseudo-log calibration remains survey-dependent.
• Abstract（参考訳）: 科学的な測定から学ぶには、しばしば異なる空間的支持と分解能の調整が必要である。 地下のキャラクタリゼーションは、3次元地震が体積的だが間接的な測定を提供し、井戸のログがスパース・ボアホールでの高分解能な1次元測定を提供する、極端に密度の高いスパース問題である。 本研究では, 地震対ウェル表現学習のための物理接地型クロスモーダルマスク型オートエンコーダ (CM-MAE) を提案する。 このモデルは地震量とウェルログの深さパッチを共同でトークン化し、4軸回転位置埋め込みを用いて両モードを連続的な物理座標に埋め込み、クロスモーダルデコーダでマスクされたターゲットを再構成する。 Sparse Mixture-of-Experts 層はモダリティ固有の能力を提供し、高密度な注意はモダリティ間の情報交換を可能にする。 プレトレーティングでは、アメリカ合衆国沖とオンショア盆地にまたがる約178,000平方キロメートルの地震量と約92,000の井戸を23の地震量でカバーしている。 マッチマスクのアブレーションは、強い非対称な情報の流れを示す。 耐震性は9.73%向上し、耐震性は0.65%向上している。 本研究では, 独立系インタプリタ引き塩-地表面マスクに対する地震のみの擬似ログ予測を評価し, 地質学的信号を含むか否かを判定する。 アメリカ合衆国沖合での調査では、圧縮速度由来の塩のスコアは0.910のAUROCに達した。 オンショア盆地では, キャリブレーションドリフトにもかかわらず, 圧縮速度の予測により, 形成スケールの構造と部分的相対構造が保たれる。 CM-MAEは、絶対擬似ログキャリブレーションは依然としてサーベイに依存しているにもかかわらず、極端モダリティ非対称性の下で有用な地震対ウェル表現を学習する。

関連論文リスト

• SeisMamba: Low-Latency Single-Station Seismic Magnitude Estimation for Spatially Distributed Earthquake Early Warning [6.287665222121476]
  シングルステーション学習は低コストの代替手段を提供するが、既存のモデルは、しばしば精度-遅延トレードオフに直面し、地域分布シフトによって劣化する可能性がある。 本稿では, 単一局で記録された最小処理3成分地震波形から, 低遅延等級推定のための軽量マンバアーキテクチャであるSeesMambaについて述べる。 STEADベンチマークでは、SeisMambaはテストベースラインの中で最高のMSE、RMSE、R2$を達成し、NVIDIA T4 GPU上の32の波形のバッチに対してわずか0.55msしか必要としない。
  論文  参考訳（メタデータ） (2026-08-25T13:44:42Z)
• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• Evolving Spatial Weights for Cartographic Synthesis [34.00232821914697]
  本研究では,空間自己相関構造に基づく地図合成の多目的定式化を提案する。 我々は,グローバル空間構造を最大化することにより,層重みを推定する双方向進化フレームワークGIS-moGAを開発した。 その結果,集団多様性の維持と早期収束の予防には高い突然変異率が重要であることが示された。
  論文  参考訳（メタデータ） (2026-06-20T22:34:29Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• Evaluating and Explaining Earthquake-Induced Liquefaction Potential through Multi-Modal Transformers [0.0]
  本研究では, 土壌液状化予測のための並列トランスアーキテクチャを提案する。 この構造は、11大地震の165のケース履歴からデータを処理している。 このモデルは、地域間検証セットで93.75%の精度で予測できる。
  論文  参考訳（メタデータ） (2025-02-11T09:18:07Z)
• IntraSeismic: a coordinate-based learning approach to seismic inversion [14.625250755761662]
  IntraSeismicは、座標に基づく学習とポストスタックモデリング演算子の物理をシームレスに組み合わせた、新しいハイブリッド地震インバージョン手法である。 IntraSeismicの主な特徴は、2Dおよび3D後の地震インバージョン、高速収束率、およびシームレスにハード制約を含む能力である。 提案手法の有効性を検証するために, 震源内データの合成とフィールドデータの適用について述べる。
  論文  参考訳（メタデータ） (2023-12-17T00:29:25Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)

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。