Modified Gauss-Newton full-waveform inversion explained — Why sparsity-promoting updates do matter
Notice bibliographique
Résumé
ABSTRACT Full-waveform inversion (FWI) can be formulated as a nonlinear least-squares optimization problem. This nonconvex problem can be computationally expensive because it requires repeated solutions of the wave equation. Randomized subsampling techniques allow us to work with small subsets of (monochromatic) source experiments, reducing the computational cost. However, this subsampling may weaken subsurface illumination or introduce subsampling-related incoherent artifacts. These subsampling-related artifacts — in conjunction with the desire to obtain high-fidelity inversion results — motivate us to come up with a technique to regularize this inversion problem. Following earlier work, we have taken advantage of the fact that curvelets represent subsurface models and model perturbations parsimoniously. At first impulse, promoting sparsity on the model directly seemed the most natural way to proceed, but we have determined that in certain cases it can be advantageous to promote sparsity on the Gauss-Newton updates instead. Although constraining the one norm of the descent directions did not change the underlying FWI objective, the constrained model updates remained descent directions, removed subsampling-related artifacts, and improved the overall inversion result. We have empirically observed this phenomenon in situations where the different model updates occurred at roughly the same locations in the curvelet domain. We have further investigated and analyzed this behavior, in which nonlinear inversions benefit from sparsity-promoting constraints on the updates, by means of a set of carefully selected examples including the phase retrieval problem and time-harmonic FWI. In all cases, we have observed a faster decay of the residual and model error as a function of the number of iterations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».