論文の概要: Full Waveform Inversion with a Learned Preconditioner

• arxiv url: http://arxiv.org/abs/2610.15331v1
• Date: Sun, 11 Oct 2026 04:17:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 01:35:12.517486
• Title: Full Waveform Inversion with a Learned Preconditioner
• Title（参考訳）: 学習済みプレコンディショナーを用いたフルウェーブフォームインバージョン
• Abstract要約: 我々は、RTM(Reverse-time-migration)画像に基づいて訓練されたニューラルオペレーターが、フルウェーブフォーム・インバージョン(FWI)に有用な学習前条件を提供することができるかどうかを検討する。 我々は、標準フーリエニューラル演算子(FNO)またはヤコビアンインフォームドFNO(JI-FNO)を用いて、投影されたFWIとニューラルプレコンディショニングFWIの比較を行った。 実験の結果,JI-FNOプリコンディショナーはベースライン投影FWIに匹敵するデータ残差を維持しつつ,最小のモデル誤差を達成することがわかった。
• 参考スコア（独自算出の注目度）: 1.2691047660244335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Full-waveform inversion (FWI) is a powerful approach for reconstructing subsurface velocity models, but its practical performance is limited by ill-conditioning, sensitivity to the update direction, and the high cost of curvature-based methods. In this project, we investigate whether a neural operator trained on reverse-time-migration (RTM) images can provide a useful learned preconditioner for FWI. We compare projected FWI against neural-preconditioned FWI using either a standard Fourier neural operator (FNO) or a Jacobian-informed FNO (JI-FNO). The neural preconditioner applies the normal operator of the learned RTM map to modify the true Devito FWI gradient. Our experiments show that the JI-FNO preconditioner achieves the lowest model error while maintaining data-residual decay comparable to baseline projected FWI. In contrast, the standard FNO preconditioner is unstable and gives worse model recovery, despite using the same neural-preconditioning framework. We also identify a failure mode of a nonlinear neural Gauss Newton-type inner solve: directly matching the neural RTM output to the FWI gradient creates an objective-space mismatch and does not yield a reliable descent direction. These results suggest that forward RTM-image prediction alone is insufficient for learned preconditioning; accurate learned derivatives and objective-consistent use of the neural operator are critical for producing useful inversion updates.
• Abstract（参考訳）: フルウェーブフォーム・インバージョン (FWI) は地下速度モデルを再構成するための強力な手法であるが、その実用性能は不調、更新方向への感度、曲率に基づく手法の高コスト化によって制限されている。 本稿では,RTM(Reverse-time-migration)画像に基づいて訓練されたニューラルオペレータが,FWIの学習前条件として有用であるかどうかを検討する。 我々は、標準フーリエニューラル演算子(FNO)またはヤコビアンインフォームドFNO(JI-FNO)を用いて、予測されたFWIとニューラルプレコンディショニングFWIを比較した。 ニューラルプレコンディショナーは、学習したRTMマップの正規作用素を適用して、真のデヴィトFWI勾配を変更する。 実験の結果,JI-FNOプリコンディショナーはベースライン投影FWIに匹敵するデータ残差を維持しつつ,最小のモデル誤差を達成することがわかった。 対照的に、標準のFNOプリコンディショナーは不安定であり、同じニューラルプレコンディショニングフレームワークを使用しているにもかかわらず、モデルリカバリが悪化する。 また、非線形ニューラルガウスニュートン型内部解の故障モードを同定し、ニューラルRTM出力とFWI勾配を直接一致させることで、目的空間のミスマッチが発生し、信頼性の高い降下方向が得られない。 これらの結果から,RTM画像の前方予測だけでは学習前処理には不十分であることが示唆された。

関連論文リスト

• Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
  フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。 FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。 連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
  論文  参考訳（メタデータ） (2026-03-23T03:22:33Z)
• 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)
• Spectral-Refiner: Accurate Fine-Tuning of Spatiotemporal Fourier Neural Operator for Turbulent Flows [6.961408873053586]
  最近の演算子型ニューラルネットワークは、部分微分方程式(PDE)の近似に有望な結果を示している。 これらのニューラルネットワークは、かなりのトレーニング費用を要し、科学や工学の分野において要求される精度を常に達成するとは限らない。
  論文  参考訳（メタデータ） (2024-05-27T14:33:06Z)
• Guaranteed Approximation Bounds for Mixed-Precision Neural Operators [83.64404557466528]
  我々は、ニューラル演算子学習が本質的に近似誤差を誘導する直感の上に構築する。 提案手法では,GPUメモリ使用量を最大50%削減し,スループットを58%向上する。
  論文  参考訳（メタデータ） (2023-07-27T17:42:06Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)

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。