Quantum computing in geophysics: Algorithms, computational costs, and future applications
Notice bibliographique
Résumé
Accurate modeling of seismic wave propagation in the subsurface of the earth is essential for understanding earthquake dynamics, characterizing seismic hazards on global scales and hydrocarbon reservoir exploration and monitoring on local scales. These are among the most challenging computational problems in geoscience. Despite algorithmic advances and the increasingly powerful computational resources currently available, including fast CPUs, GPUs and large volumes of computer memory, there are still daunting computational challenges in simulating 3D seismic wave propagation in complex earth environments. Recent advances in quantum computing are suggestive that geoscience may soon begin to benefit from this promising field. For example, Finite Difference (FD) modeling is the most widely used method to simulate seismic wave propagation. In the frequency domain, FD methods reduce solutions of the wave equation into systems of linear equations; such systems are just the type that quantum algorithms may be capable of solving with exponential speedup, in comparison with classical algorithms. For the computational geophysicist, to prepare to take advantage of these speed-ups, which could arrive in as few as 5-10 years, the tasks at hand are (1) to become familiar with the logic and concepts associated with quantum computing, and (2) to map our key computational algorithms (e.g., frequency domain FD) to this domain. Presentation Date: Monday, October 15, 2018 Start Time: 1:50:00 PM Location: 204B (Anaheim Convention Center) Presentation Type: Oral
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».