ترجمه فارسی مقاله تسریع معکوس‌سازی کامل شکل موج با استفاده از یادگیری انتقالی

چکیده

Full waveform inversion (FWI) is a powerful tool for reconstructing material fields based on sparsely measured data obtained by wave propagation. For specific problems, discretizing the material field with a neural network (NN) improves the robustness and reconstruction quality of the corresponding optimization problem. We call this method NN-based FWI. Starting from an initial guess, the weights of the NN are iteratively updated to fit the simulated wave signals to the sparsely measured data set. For gradient-based optimization, a suitable choice of the initial guess, i.e., a suitable NN weight initialization, is crucial for fast and robust convergence. In this paper, we introduce a novel transfer learning approach to further improve NN-based FWI. This approach leverages supervised pretraining to provide a better NN weight initialization, leading to faster convergence of the subsequent optimization problem. Moreover, the inversions yield physically more meaningful local minima. The network is pretrained to predict the unknown material field using the gradient information from the first iteration of conventional FWI. In our computational experiments on two-dimensional domains, the training data set consists of reference simulations with arbitrarily positioned elliptical voids of different shapes and orientations. We compare the performance of the proposed transfer learning NN-based FWI with three other methods: conventional FWI, NN-based FWI without pretraining and conventional FWI with an initial guess predicted from the pretrained NN. Our results show that transfer learning NN-based FWI outperforms the other methods in terms of convergence speed and reconstruction quality.

چکیده به فارسی (ترجمه ماشینی)

وارونگی شکل موج کامل (FWI) ابزاری قدرتمند برای بازسازی زمینه های مواد بر اساس داده های اندازه گیری شده پراکنده به دست آمده توسط انتشار موج است.برای مشکلات خاص ، گسسته کردن قسمت مواد با یک شبکه عصبی (NN) استحکام و کیفیت بازسازی مشکل بهینه سازی مربوطه را بهبود می بخشد.ما این روش FWI مبتنی بر NN را می نامیم.با شروع از حدس اولیه ، وزن NN به طور تکراری به روز می شود تا سیگنال های موج شبیه سازی شده را به مجموعه داده های پراکنده اندازه گیری متناسب کند.برای بهینه سازی مبتنی بر شیب ، یک انتخاب مناسب از حدس اولیه ، یعنی یک اولیه سازی مناسب NN ، برای همگرایی سریع و قوی بسیار مهم است.در این مقاله ، ما یک روش یادگیری انتقال جدید را برای بهبود بیشتر FWI مبتنی بر NN معرفی می کنیم.این رویکرد از پیشبرد نظارت برای ارائه اولیه بهتر وزن NN استفاده می کند و منجر به همگرایی سریعتر مشکل بهینه سازی بعدی می شود.علاوه بر این ، وارونگی ها از نظر جسمی حداقل محلی بیشتری دارند.این شبکه برای پیش بینی زمینه مواد ناشناخته با استفاده از اطلاعات شیب از اولین تکرار FWI معمولی پیش بینی شده است.در آزمایشات محاسباتی ما در حوزه های دو بعدی ، مجموعه داده های آموزش شامل شبیه سازی های مرجع با حفره های بیضوی خودسرانه از شکل ها و جهت گیری های مختلف است.ما عملکرد FWI مبتنی بر یادگیری انتقال پیشنهادی NN را با سه روش دیگر مقایسه می کنیم: FWI معمولی ، FWI مبتنی بر NN بدون پیش بینی و FWI معمولی با یک حدس اولیه که از NN پیش ساخته پیش بینی شده است.نتایج ما نشان می دهد که FWI مبتنی بر یادگیری NN از روشهای دیگر از نظر سرعت همگرایی و کیفیت بازسازی بهتر است.