新框架使用等变神经场进行可扩展的走时预测

研究人员引入了等变神经欧拉求解器（Equivariant Neural Eikonal Solvers），这是一个结合了等变神经场（Equivariant Neural Fields）和神经欧拉求解器（Neural Eikonal Solvers）的新框架。该方法使用一个共享的神经网络骨干，并以信号特定的潜在变量为条件来建模各种欧拉解。等变神经场的集成确保了潜在点云的变换能够导致欧拉解的可预测变化，从而提供增强的表示效率和几何基础。该框架能够准确地模拟不同黎曼流形上的欧拉走时解，在地震走时建模方面，与现有方法相比，表现出卓越的性能、可扩展性和用户可控性。 AI

影响 该框架为复杂的物理信息建模任务提供了可扩展性和可控性的改进。

排序理由 该集群包含一篇研究论文，详细介绍了使用神经网络进行欧拉走时预测的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Alejandro García-Castellanos
• Equivariant Neural Eikonal Solvers
• Equivariant Neural Fields
• Euclidean
• Hyperbolica
• Lie group
• Neural Eikonal Solvers
• neural operator
• physics-informed neural networks
• Position-orientation adaptive smoothing of diffusion weighted magnetic resonance data (POAS)
• Riemannian manifold
• seismic travel-time modeling
• Spherical

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →