深層ニューラルネットワークを用いた地域音響伝搬場の高速予測手法に関する研究

科学分野:

• Oceanography
• Acoustics
• Machine Learning

背景:

• 従来の水中音響伝搬モデリングは計算集約的です。
• 音響場の正確な予測は、海軍および環境アプリケーションにとって非常に重要です。

研究 の 目的:

• 畳み込みニューラルネットワーク（CNN）を用いた水中音響伝搬場の高速予測手法を開発すること。
• 従来の音響伝搬モデルに関連する計算コストを削減すること。

主な方法:

• 地域の地形的特徴を利用してモデルを訓練するCNNベースのアプローチを開発しました。
• 多様な地形条件における音響伝播損失パターンを捉えるためのデータセットを構築しました。
• 予測精度と速度を評価するために、西太平洋でモデルをテストしました。

主要な成果:

• CNNモデルは、非平滑化場に対して3.48dBの二乗平均平方根誤差を達成しました。
• 平均予測時間はバッチあたり1.95ミリ秒（10サンプル）で、大幅な速度向上が実証されました。
• モデルは、単純化された地形入力に基づいて音響伝播損失パターンを正確に学習しました。

結論:

• 開発されたCNN手法は、水中音響伝搬を予測するための計算効率の高い代替手段を提供します。
• このアプローチは、さまざまな水中環境でのリアルタイム音響伝搬予測の可能性を示しています。
• 単純化された入力特徴量は、正確な音響場予測を効果的に推進できます。