論文の概要: Neural Surrogate Modeling of Ultrasonic Wave Propagation in Heterogeneous Media

• arxiv url: http://arxiv.org/abs/2610.13258v1
• Date: Fri, 09 Oct 2026 09:07:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.500836
• Title: Neural Surrogate Modeling of Ultrasonic Wave Propagation in Heterogeneous Media
• Title（参考訳）: 不均一媒質中における超音波伝搬のニューラルネットワークによるモデル化
• Abstract要約: 本稿では、フーリエニューラル演算子(FNO)上に構築される手法が、反射などの重要な信号の特徴を捉えることができないことを示す。 我々は,FNOと局所積分再サンプリングをU-Netアーキテクチャに統合することにより,二つの世界の長所を捉える新しいサロゲートを提案する。
• 参考スコア（独自算出の注目度）: 4.3807090280663505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural surrogates provide computationally efficient auto-regressive modeling of wave propagation, enabling e.g. fast inverse solutions. Despite recent progress, the current surrogates are not yet sufficient for the needs of ultrasonic sensing, characterized by high frequency and heterogeneous propagation media. We show how methods building on Fourier Neural Operators (FNO) fail to capture essential signal features, such as reflections, whereas U-Net -based methods learn the wave fields well but lack the ability to transfer information across different spatial scales. We then propose a new surrogate that captures the best of the two worlds, by integrating FNOs and local-integral resampling into a U-Net architecture. We show it can be trained on limited data, and that the predictions are robust to input noise and work across spatial scales.
• Abstract（参考訳）: ニューラルサロゲートは、計算的に効率的な波動伝播の自己回帰モデルを提供し、例えば高速な逆解を可能にする。 近年の進展にもかかわらず、現在のサロゲートは高周波及び異種伝搬媒質を特徴とする超音波センシングのニーズにはまだ十分ではない。 フーリエニューラル演算子(FNO)上に構築される手法は、反射などの重要な信号の特徴を捉えるのに失敗するのに対し、U-Netベースの手法は波動場をよく学習するが、異なる空間スケールで情報を伝達する能力に欠けることを示す。 次に、FNOと局所積分再サンプリングをU-Netアーキテクチャに統合することにより、2つの世界の長所を捉える新しいサロゲートを提案する。 限られたデータでトレーニングすることができ、予測が空間的規模でノイズや作業の入力に頑健であることを示します。

関連論文リスト

• Oscillatory Neural Dynamics over Sheaves [78.52787221600344]
  演算子値情報波に基づく長距離グラフ学習フレームワークであるONDAを紹介する。 ストーク値の表現は、学習された層輸送作用素によって支配される2階のダイナミクスによって進化する。 我々は、ストークスの感度分析により長距離の影響を特徴づけ、クロス・インフルエンス(英語版)が消えることはないことを示す。
  論文  参考訳（メタデータ） (2026-10-07T13:08:17Z)
• Over-the-Air Federated Learning in Heterogeneous Mobile Wireless Networks [56.36166282526799]
  オーバー・ザ・エア(Over-the-air)計算は、無線ネットワークに学習アルゴリズムをデプロイするためのスケーラブルで効率的なソリューションである。 我々は,アルゴリズム正規化を採用し,暗黙のゴシップを通じてデバイスのアップデートを均等に混合するFedOAGを提案する。
  論文  参考訳（メタデータ） (2026-09-26T18:04:09Z)
• FourierSampler: Unlocking Non-Autoregressive Potential in Diffusion Language Models via Frequency-Guided Generation [52.63033377447227]
  隠れ状態における低周波成分は主にグローバルな構造情報と長距離依存を符号化し,高周波成分は局所的な詳細を特徴づける役割を担っていることを示す。 そこで本研究では,周波数領域のスライディングウインドウ機構を利用したFourierSamplerを提案する。
  論文  参考訳（メタデータ） (2026-01-30T17:06:41Z)
• Ambient Noise Full Waveform Inversion with Neural Operators [11.44207799108199]
  近年の研究では、ニューラル演算子と呼ばれる新しい機械学習モデルが、従来の方法よりもはるかに高速にエラストダイナミック波動方程式のオーダーを解くことができることが示されている。 本研究では, 実地震データセット上での完全な波形インバージョンに対するニューラル演算子の最初の応用を実証する。
  論文  参考訳（メタデータ） (2025-03-19T09:10:43Z)
• RF-ULM: Ultrasound Localization Microscopy Learned from Radio-Frequency Wavefronts [7.652037892439504]
  遅延とサムのビームフォーミングは、RF(Radio-Frequency)チャネルデータを不可逆的に減少させる。 RFウェーブフロントに埋め込まれたリッチなコンテキスト情報は、DNN(Deep Neural Networks)をローカライゼーションシナリオに挑戦する上で、非常に有望である。 本稿では,学習した特徴チャネルシャッフル,非最大抑圧,半グローバル畳み込みブロックを用いて,RFチャネルデータ中の散乱体を直接ローカライズすることを提案する。
  論文  参考訳（メタデータ） (2023-10-02T18:41:23Z)
• 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)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)

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。