Large-scale Marchenko imaging with distance-aware matrix reordering, tile low-rank compression, and mixed-precision computations
Notice bibliographique
Résumé
A variety of wave-equation-based seismic processing algorithms rely on the repeated application of the Multi- Dimensional Convolution (MDC) operator. For large-scale 3D seismic surveys, this comes with severe computational challenges due to the sheer size of high-density, full-azimuth seismic datasets required by such algorithms. We present a three-fold solution that greatly alleviates the memory footprint and computational cost of 3D MDC by leveraging a combination of i) distance-aware matrix reordering, ii) Tile Low-Rank (TLR) matrix compression, and iii) computations in mixed floating-point precision. By applying our strategy to a 3D synthetic dataset, we show that the size of kernel matrices used in the Marchenko redatuming and Multi-Dimensional Deconvolution equations can be reduced by a factor of 34 and 6, respectively. We also introduce a TLR Matrix-Vector Multiplication (TLR-MVM) algorithm that, as a direct consequence of such compression capabilities, is consistently faster than its dense counterpart by a factor of 4.8 to 36.1 (depending on the selected hardware). As a result, the associated inverse problems can be solved at a fraction of cost in comparison to state-of- the-art implementations that require a pass through the entire data at each MDC operation. This is achieved with minimal impact on the quality of the processing outcome.
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 | 0,001 | 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 | 0,001 | 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) | 0,001 | 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 ».