Machine learned Green's functions that approximately satisfy the wave equation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Green’s functions are wavefield solutions for a particular point source. They form basis functions to build wavefields for modeling and inversion. However, calculating Green’s functions are both costly and memory intensive. We formulate frequency-domain machine-learned Green’s functions that are represented by neural networks (NN). This NN outputs a complex number (two values representing the real and imaginary part) for the scattered Green’s function at a location in space for a specific source location (both locations are input to the network). Considering a background homogeneous medium admitting an analytical Green’s function solution, the network is trained by fitting the output perturbed Green’s function and its derivatives to the wave equation expressed in terms of the perturbed Green’s function. The derivatives are calculated through the concept of automatic differentiation. In this case, the background Green’s function absorbs the point source singularity, which will allow us to train the network using random points over space and source location using a uniform distribution. Thus, feeding a reasonable number of random points from the model space will ultimately train a fully connected 8-layer deep neural network, to predict the scattered Green’s function. Initial tests on part of the simple layered model (extracted from the left side of the Marmousi model) with sources on the surface demonstrate the successful training of the NN for this application. Using the trained NN model for the Marmousi as an initial NN model for solving for the scattered Green’s function for a 2D slice from the Sigsbee model helped the NN converge faster to a reasonable solution. Presentation Date: Wednesday, October 14, 2020 Session Start Time: 1:50 PM Presentation Time: 2:15 PM Location: 360A 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.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 découle