論文の概要: Wave Physics as Representation: Tensor-Structured Neural Reconstruction for Ocean Acoustic Fields

• arxiv url: http://arxiv.org/abs/2611.01680v2
• Date: Wed, 04 Nov 2026 07:19:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.656431
• Title: Wave Physics as Representation: Tensor-Structured Neural Reconstruction for Ocean Acoustic Fields
• Title（参考訳）: 表象としての波動物理:海洋音場のためのテンソル構造型ニューラルリコンストラクション
• Abstract要約: 学習ベースのアプローチは2つのカテゴリに分類される。 本稿では,S/c表現を構造化復号化の帰納バイアスとして利用し,情報集約とサンプリング幾何の整合性を示すニューラルコンストラクタTIDALを提案する。 3つの構造されたサンプリング測地実験により、TIDALはベースライン間で最高の再構築性能と最速の推論を達成できることが示された。
• 参考スコア（独自算出の注目度）: 14.238148652923003
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing three-dimensional (3D) complex ocean acoustic fields from sparse measurements is challenging due to highly oscillatory wave structures and restricted sensing patterns/routes. Learning-based approaches fall into two categories. First, purely data-driven models can learn complex field patterns, but do not explicitly exploit wave physics that may enhance interpretability and reduce training costs. Second, physics-informed methods impose a specified physical equation as a reconstruction constraint, but often require environment-dependent parameters that are difficult to acquire. As a result, practical 3D acoustic field reconstruction that is both physically grounded and robust to uncertain environmental information remains largely unexplored. This work takes an alternative route: instead of solving a fully specified wave equation, it extracts a structured representation from wave physics and learns its components from data. From the Helmholtz equation and normal mode propagation, we derive a structured spatial-angular tensor representation, termed the S/c representation. Under a low-rank specialization, it takes the form of a rank-(L,L,1) block-term tensor decomposition, which connects structured sampling patterns/routes used in ocean sensing to sufficient conditions for field recovery. Building on this tensor representation, we propose TIDAL, a neural reconstructor that uses the S/c representation as an inductive bias for structured decoding and aligns information aggregation with the sampling geometry. The neural learner removes the need for known model parameters required by conventional physics-based recovery methods. Experiments across three structured sampling geometries show that TIDAL achieves the best reconstruction performance and fastest inference among baselines, with benefits from the physics-derived representation under limited data and model capacity.
• Abstract（参考訳）: スパース計測から3次元複素海洋音場を再構築することは,高振動波構造と制限されたセンシングパターン/経路により困難である。 学習ベースのアプローチは2つのカテゴリに分類される。 第一に、純粋にデータ駆動モデルは複雑なフィールドパターンを学習できるが、解釈可能性を高め、トレーニングコストを削減できる波動物理学を明示的に利用しない。 第二に、物理インフォームド法は、特定の物理方程式を再構成制約として課すが、しばしば取得が困難な環境依存パラメータを必要とする。 その結果、物理的に接地し、不確実な環境情報に頑健な実用的な3次元音場再構成は、ほとんど未解明のままである。 完全に指定された波動方程式を解く代わりに、波動物理学から構造化された表現を抽出し、データからその成分を学習する。 ヘルムホルツ方程式と正規モードの伝播から、S/c表現と呼ばれる構造付き空間角テンソル表現を導出する。 低ランクの特殊化の下では、ランク-(L,L,1)ブロックのテンソル分解という形で行われ、海洋センシングで使用される構造化サンプリングパターン/ルートと、フィールドリカバリのための十分な条件とを接続する。 このテンソル表現に基づいて、構造化復号化のための帰納バイアスとしてS/c表現を用い、情報集約をサンプリング幾何と整合させるニューラルネットワーク再構成器TIDALを提案する。 ニューラルラーナーは、従来の物理ベースのリカバリ手法で必要とされる既知のモデルパラメータの必要性を取り除く。 3つの構造されたサンプリング測地による実験により、TIDALは、限られたデータとモデルキャパシティの下での物理由来の表現の利点により、ベースライン間の最高の再構成性能と最速の推論を達成することが示された。

関連論文リスト

• Learning Metamaterial Eigenmodes with Wavelet-Encoded Fourier Neural Operators [57.64362886310329]
  ニューラル演算子に基づく機械学習サロゲートは,弾性波動方程式の複数の固有モードを学習し,予測できることを示す。 メタマテリアル設計では、サロゲートは設計サイクルのシミュレーション段階を、コンシューマグレードのCPU上の有限要素解析と比較して3桁の速度で加速する。 これらの結果は、スペクトルニューラル演算子に基づく他のマルチモードPDEソルバの入力エンコーディングを設計するための幅広い意味を持つ。
  論文  参考訳（メタデータ） (2026-09-08T01:21:46Z)
• Non-linear mechanical field reconstruction coupling recurrent neural networks with physics-informed graph neural networks [0.6978367196609415]
  局所応力場再構成の時間的側面と空間的側面を結合したLSTMGNNフレームワークを提案する。 線形ウォームアップによる相対重み付け戦略を導入し,データ駆動型再構成損失と離散発散型平衡ペナルティのバランスをとる。 このモデルは有限要素シミュレーションよりも3桁のスピードアップを達成し、累積誤差1.9%でトレーニング長の2倍の負荷列に一般化する。
  論文  参考訳（メタデータ） (2026-06-09T14:20:39Z)
• Seismic full-waveform inversion based on a physics-driven generative adversarial network [4.185971789614353]
  フルウェーブフォームインバージョン(FWI)は、予測された地震データと観測された地震データとのミスフィットを反復的に最小化することにより、地下速度モデルを再構築する。 FWIは、データがスパースまたはノイズによって汚染されたときに不安定な結果を生成する。 本稿では,物理駆動型逆方向ネットワークに基づくフルウェーブフォームインバージョン法を提案する。
  論文  参考訳（メタデータ） (2026-03-16T06:24:17Z)
• Convergence of physics-informed neural networks modeling time-harmonic wave fields [0.0]
  低周波の3次元室内音響症例について検討し, 音源定義と境界条件数を変化させた。 PINNアーキテクチャのロスランドスケープに着目し,収束挙動を評価する。 この開発は、吸音器を含む室内音響の低周波挙動をモデル化することを目的としたイニシアチブの一部である。
  論文  参考訳（メタデータ） (2025-05-18T19:12:14Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• 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)

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。