Can tile low-rank compression live up to expectations? An application to 3D multidimensional deconvolution
Notice bibliographique
Résumé
Wave-equation-based seismic processing algorithms have been developed over the years with the aim of handling the 3D, full-wavefield nature of seismic waves. Multi-Dimensional Deconvolution (MDD) is one of such algorithms, commonly used to remove overburden-related effects from up/down separated wavefields (e.g., removal of free-surface multiples from ocean-bottom data). However, MDD comes with several computational challenges; this is especially the case for its time-domain implementation, which requires repeated access to Terabyte-scale seismic datasets. In this work, we present a novel algorithmic solution that leverages the inherent data sparsity of seismic data in the frequency domain by means of tile low-rank data compression. We further rely on so-called Hilbert reordering to achieve a boost in the compressibility of the dataset under study. Tile Low-Rank Matrix Vector Multiplication (TLR-MVM) is then introduced to speed up the Multi-Dimensional Convolution (MDC) operator that lies at the core of the MDD algorithm. The presented solution is tested on a realistic 3D seismic dataset modelled from the SEG/EAGE Overthrust model, and the impact of two key parameters in tile low-rank compression algorithm, namely tile size and error accuracy, is thoroughly investigated. Inversion is finally performed using the LSQR solver with all MDC operations performed onto GPUs. On a 4 A100 cluster, successful deconvolution for single virtual source is accomplished within 2 minutes (including I/O). To conclude, the proposed algorithm is deployed onto several mainstream hardware the associated roofline performance model is presented.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».