Learning to solve the elastic wave equation with Fourier neural operators
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
ABSTRACT Neural operators are extensions of neural networks, which, through supervised training, learn how to map the complex relationships that exist within the classes of the partial differential equation (PDE). One of these networks, the Fourier neural operator (FNO), has been particularly successful in producing general solutions to PDEs, such as the Navier-Stokes equation. We have formulated an FNO to reproduce solutions of the 2D isotropic elastic wave equation training on synthetic data sets. This requires two significant alterations to the existing FNO structures. By (1) adding the Fourier kernel multiplication with respect to multiple spatial directions and (2) building connections between the Fourier layers, we produce what we refer to as the “one-connection FNO,” which is suitable for use in producing solutions of the elastic wave equation. Post training, the new FNO is examined for accuracy. Compared with the unmodified original FNO, we observe, in particular, an improved prediction of the fields generated with low source frequency, which is suggestive of immediate applicability in inversion. Once trained, the modified FNO operates at approximately 100 times the speed of traditional finite-difference methods on a CPU; this increase in the computational speed, when used within forward modeling, may have important consequences in simulation-intensive inverse problems, such as those based on the Monte Carlo methods.
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) | 0,000 | 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 découle