論文の概要: The Neuro-Physical Inverter: A Modular Framework for Magnetotelluric Inversion Coupling Ensemble Conditioning with Residual Learning
- arxiv url: http://arxiv.org/abs/2610.03225v1
- Date: Fri, 02 Oct 2026 12:41:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.372262
- Title: The Neuro-Physical Inverter: A Modular Framework for Magnetotelluric Inversion Coupling Ensemble Conditioning with Residual Learning
- Title（参考訳）: ニューロ物理インバータ--残差学習を考慮した磁気異方性インバージョン結合のモジュラーフレームワーク-
- Abstract要約: ニューロ・フィジカル(Neuro-Physical、NPI)は、地球物理学の逆転のためのモジュラーで不確実性を意識したフレームワークである。
NPIはガブス・バレー地熱地域(ネバダ州)のブロードバンド・マグネティック・テルル(MT)データに適用される
- 参考スコア（独自算出の注目度）: 2.5195922470930614
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present the Neuro-Physical Inverter (NPI), a modular, uncertainty-aware framework for geophysical inversion that couples ensemble-based conditioning with constrained residual learning, demonstrated in the 1D magnetotelluric (MT) setting as a controlled testbed. The framework operates in two stages. An Ensemble-Conditional Gaussian Process (EnsCGP) conditions a prior ensemble of resistivity models on the observed response, producing a physically admissible reference ensemble. A residual-learning neural network then predicts targeted corrections to this reference, trained on synthetic data and fine-tuned per station for field application through a physics-coupled objective. Because an ensemble is conditioned, refined, and propagated through both stages, every estimate carries an associated ensemble spread. Synthetic experiments show that NPI systematically reduces ensemble-mean error without destabilizing the ensemble. Applied to broadband MT data from the Gabbs Valley geothermal region (Nevada, USA), NPI reduces the across-station mean misfit over the mid-period band while retaining comparable ensemble spread. The propagated ensemble yields a factor of uncertainty that serves as an operational measure of constraint within the assumed model class. Both stages are dimension-agnostic in formulation, and the design principles established here are intended to scale to higher-dimensional parameterizations.
- Abstract（参考訳）: Inverter (NPI) は, アンサンブルをベースとした条件と制約付き残差学習を結合した物理インバージョンのためのモジュール型不確実性を考慮したフレームワークであり, 制御テストベッドとしての1次元磁気恒星(MT)設定で実証された。
フレームワークは2段階で動作する。
Ensemble-Conditional Gaussian Process (EnsCGP) は、観測された応答に対する比抵抗モデルの事前のアンサンブルを条件とし、物理的に許容可能な参照アンサンブルを生成する。
残差学習ニューラルネットワークは、この基準に対するターゲットの修正を予測し、合成データに基づいて訓練し、物理結合された目的を通じて各ステーションごとに微調整を行い、フィールド応用を行う。
アンサンブルは条件付き、洗練され、両方の段階を通して伝播されるため、全ての推定値が関連するアンサンブルを拡散させる。
合成実験により、NPIはアンサンブルを不安定にすることなくアンサンブル平均誤差を体系的に低減することが示された。
ガッブス・バレー地熱地域(アメリカ合衆国ネバダ州)のブロードバンドMTデータに応用して、NPIは、同等のアンサンブル拡散を維持しながら、中期帯域における局間平均誤差を低減させる。
伝播アンサンブルは、仮定されたモデルクラス内の制約の操作的尺度として機能する不確実性の要素をもたらす。
どちらの段階も定式化において次元に依存しないものであり、ここで確立された設計原則は高次元のパラメータ化にスケールすることを意図している。
関連論文リスト
- PMosFM: Preconditioned Manifold Matching for One-Step Physics-Constrained Generation [47.34605477768213]
textbf Preconditioned textbfManifold textbfone-textbfstep textbfFlow textbfMatching (textbfPMosFM) は1ステップの物理制約付き生成のための事前条件付き多様体マッチングフレームワークである。
多様体デコーダの制約を符号化することにより、PMosFMは残留損失と終端残差を分離することなく固有座標の輸送を学習する。
論文 参考訳（メタデータ） (2026-09-30T17:48:21Z) - Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。
平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
論文 参考訳（メタデータ） (2026-09-29T11:24:19Z) - From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。
最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。
次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
論文 参考訳（メタデータ） (2026-07-10T20:59:06Z) - Towards Data-Efficient Cross-Device Generalization of Grad-Shafranov Equilibria via Transfer Learning Neural Operator [3.9544080780786692]
平衡再構成は、デバイス間演算子学習問題として再キャスト可能であることを示す。
我々は、幾何学とプロファイルパラメータを直接ポロイドフラックス場にマッピングする、ドメイン固有のニューラル演算子フレームワークを開発した。
解析的に抽出可能なソロフエフ族を制御されたグラッド・シャフラノフテストベッドとして使用し、8つの幾何学的に異なるトカマクのような構成の平衡を生成する。
論文 参考訳（メタデータ） (2026-06-13T23:47:19Z) - Comparing Physics-Informed and Neural ODE Approaches for Modeling Nonlinear Biological Systems: A Case Study Based on the Morris-Lecar Model [0.0]
本研究は,3つの標準分岐系におけるPINNとNODEの性能を系統的に評価する。
その結果, PINNは剛性や敏感な分岐を含むシナリオにおいて, 高い精度と堅牢性を達成する傾向が示唆された。
論文 参考訳（メタデータ） (2026-03-27T18:53:53Z) - Plug-and-Play Diffusion Meets ADMM: Dual-Variable Coupling for Robust Medical Image Reconstruction [45.25461515976432]
画像再構成のための強力なパラダイムとして,DP(Plug-and-Play diffusion prior)フレームワークが登場した。
本稿では, バイアス・ハロシン化トレードオフを解消し, 収束を著しく加速した最先端の勾配を実現するための新しい手法を提案する。
論文 参考訳（メタデータ） (2026-02-26T16:58:43Z) - Inductive Domain Transfer In Misspecified Simulation-Based Inference [29.26298096319145]
キャリブレーションと分散アライメントを1つのエンドツーエンドのトレーニング可能なモデルに統合する,完全な帰納的・償却型SBIフレームワークを提案する。
我々のアプローチは、他の標準SBIおよび非SBI推定器と同様に、RoPEの性能と一致または上回っている。
論文 参考訳（メタデータ） (2025-08-21T14:06:42Z) - Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。
我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。
本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文 参考訳（メタデータ） (2023-06-06T09:12:49Z) - Posterior-Aided Regularization for Likelihood-Free Inference [23.708122045184698]
後補助正規化(PAR)は,モデル構造に関係なく,密度推定器の学習に適用可能である。
単一のニューラルネットワークを用いて逆KL項と相互情報項の両方を推定するPARの統一推定方法を提供する。
論文 参考訳（メタデータ） (2021-02-15T16:59:30Z)
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。