Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

DispFormer: Một máy biến áp được đào tạo trước kết hợp các ràng buộc vật lý để đảo ngược đường cong phân tán

Created by
  • Haebom

Tác giả

Phong Lưu, Bảo Đặng, Thụy Túc, Lôi Bạch, Vạn Lý Âu Dương

Phác thảo

Bài báo này đề xuất DispFormer, một phương pháp mới để ước tính các biên dạng vận tốc sóng cắt (Vs) dưới bề mặt bằng cách sử dụng phép đảo ngược đường cong phân tán sóng bề mặt. DispFormer sử dụng mạng nơ-ron dựa trên Transformer để đảo ngược các biên dạng Vs từ các pha sóng Rayleigh và các đường cong phân tán nhóm, giải quyết vấn đề chi phí tính toán, tính không đồng nhất và độ nhạy mô hình ban đầu của các phương pháp hiện có. Nó xử lý từng chu kỳ một cách độc lập, cho phép dữ liệu có độ dài khác nhau và sử dụng chiến lược huấn luyện có tính đến độ nhạy độ sâu. Được huấn luyện trước trên dữ liệu tổng hợp, DispFormer thể hiện hiệu suất vượt trội trên dữ liệu thực thông qua cả chiến lược học zero-shot và few-shot, đạt được độ dư dữ liệu thấp hơn so với các phương pháp hiện có. Điều này chứng minh tiềm năng của học sâu, tích hợp thông tin vật lý, cho các ứng dụng địa vật lý.

Takeaways, Limitations

Takeaways:
Cải thiện hiệu quả và độ chính xác của phép đảo ngược đường cong phân tán sóng bề mặt bằng mạng nơ-ron dựa trên biến áp.
Hiệu suất mạnh mẽ đối với dữ liệu có độ dài khác nhau và dữ liệu không đầy đủ.
ĐạT được hiệu suất cao với ít dữ liệu hơn thông qua phương pháp học không cần thực hiện và học ít lần thực hiện.
Tiềm năng sử dụng làm công cụ hỗ trợ và tạo mô hình ban đầu cho các phương pháp đảo ngược hiện có.
Trình bày tiềm năng ứng dụng địa vật lý của việc học sâu tích hợp thông tin vật lý.
Limitations:
Cần có thêm xác nhận về khả năng tổng quát hóa của quá trình đào tạo trước và đánh giá dựa trên dữ liệu tổng hợp.
Cần nghiên cứu thêm để hiểu được những nhiễu và độ phức tạp khác nhau của dữ liệu thực tế.
Cần nghiên cứu thêm để cải thiện khả năng diễn giải vật lý và độ tin cậy của DispFormer.
👍