Acoustic Full Waveform Inversion with Hamiltonian Monte Carlo Method

Este artículo propone y valida una nueva estrategia de ajuste de la matriz de masa para el método Hamiltoniano Monte Carlo, mejorando significativamente la eficiencia y la capacidad de reconstrucción de modelos sísmicos acústicos mediante inversión de forma de onda completa en escenarios ruidosos y con datos limitados.

Lo esencial

Imagina que la Tierra es como una gigantesca tarta de capas y tú eres un pastelero que quiere saber exactamente qué hay dentro (chocolate, fresa, nueces) sin poder cortarla ni abrirla. Solo tienes un micrófono en la superficie y un martillo para dar golpes.

Este es el problema que intenta resolver la Inversión de Forma de Onda Completa (FWI), una técnica usada por geofísicos para "ver" bajo tierra. Pero hay un truco: los datos que recibes son ruidosos (como si alguien estuviera gritando cerca de tu micrófono) y a veces, muchas configuraciones diferentes de la tarta podrían explicar el mismo sonido que escuchas.

Aquí es donde entra el Método de Monte Carlo con Hamiltoniano (HMC), la estrella de este artículo. Vamos a desglosarlo con analogías sencillas:

1. El Problema: Adivinar la Tarta en la Oscuridad

La técnica tradicional (determinista) es como intentar adivinar la tarta dando un solo paso a la vez hacia abajo en una montaña de niebla. Si te equivocas de camino, te quedas atrapado en un valle pequeño (un error local) y nunca llegas a la cima real. Además, no te dice qué tan seguro estás de tu respuesta.

El método probabilístico (estocástico) es mejor: en lugar de un solo camino, imagina que lanzas miles de exploradores al azar para ver qué encuentran. Pero aquí surge un problema: si la montaña es enorme (muchos datos y profundidad), los exploradores se pierden, caminan en círculos y tardan una eternidad en encontrar la mejor respuesta. A esto los científicos lo llaman la "maldición de la dimensionalidad".

2. La Solución: Los Exploradores con "Inercia" (HMC)

Los autores proponen usar el método HMC. Imagina que nuestros exploradores no son personas que caminan a paso lento, sino patinadores sobre hielo.

• La Energía Potencial (El Mapa): Es el mapa de la montaña. Cuanto más cerca estén de la solución correcta, más "bajo" está el terreno.
• La Masa (El Peso del Patinador): Aquí está la magia. En el método HMC, cada explorador tiene una "masa" o peso.
  • Si el patinador es muy pesado, se mueve lento, tiene mucha inercia y no puede girar rápido. Explora poco.
  • Si es muy ligero, se mueve rápido pero se desliza sin control y salta por todas partes sin profundizar.

3. La Innovación: Ajustar el Peso según la Profundidad

El gran descubrimiento de este artículo es cómo ajustar el peso de estos patinadores.

En la exploración sísmica, la información que recibimos es muy clara cerca de la superficie (como ver el suelo bajo tus pies), pero se vuelve muy borrosa y ruidosa a medida que nos adentramos en la profundidad (como intentar ver el fondo de un lago turbio).

• La Estrategia Antigua: Usar el mismo peso para todos los exploradores, sin importar dónde estén. Esto funciona mal porque los exploradores profundos se quedan atascados o se mueven demasiado lento.
• La Estrategia Nueva (de los autores): Proponen un sistema inteligente:
  1. Al principio (Superficie): Los exploradores tienen un peso ligero. Esto les permite moverse rápido, saltar sobre pequeños obstáculos y explorar grandes áreas para encontrar la dirección general correcta.
  2. A medida que bajan (Profundidad): Ajustan el peso para que se vuelvan más pesados a medida que la exploración avanza. ¿Por qué? Porque en las profundidades, donde hay más ruido y menos datos, necesitas que el explorador sea más "estable" y pesado para no saltar de un lado a otro, permitiéndole afinar los detalles con cuidado.

Es como si, al principio de un viaje, condujes un coche deportivo ligero para explorar el mapa, y cuando llegas a un camino de tierra lleno de baches (la profundidad), cambias a un camión pesado y estable para no volcar.

4. Los Resultados: Más Rápido y Más Seguro

Al probar esto con un modelo famoso llamado "Marmousi" (una simulación geológica compleja):

• Velocidad: Su método encontró la solución correcta mucho más rápido que los métodos tradicionales. Ahorraron tiempo de computación.
• Calidad: Lograron reconstruir las capas profundas de la "tarta" con mucho más detalle, incluso cuando los datos tenían mucho ruido.
• Seguridad: No solo dieron una respuesta, sino que calcularon la incertidumbre. Es decir, te dicen: "Aquí en la superficie estamos 99% seguros de que hay chocolate, pero allá abajo, en la profundidad, solo estamos 60% seguros de que hay fresa". Esto es vital para la exploración de petróleo y gas, donde equivocarse cuesta millones.

En Resumen

Los autores han creado un sistema de navegación inteligente para los exploradores matemáticos que buscan bajo tierra. En lugar de tratar a todos los niveles de profundidad por igual, ajustan dinámicamente la "inercia" de sus búsquedas: ligeros y ágiles al principio para encontrar el camino, y pesados y estables al final para afinar los detalles en las zonas más oscuras y ruidosas.

Esto hace que la tarea de "ver" bajo tierra sea más rápida, barata y, sobre todo, más honesta sobre lo que realmente sabemos y lo que solo estamos adivinando.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo "Acoustic Full Waveform Inversion with Hamiltonian Monte Carlo Method" (Inversión de Forma de Onda Completa Acústica con el Método de Monte Carlo Hamiltoniano), basado en el documento proporcionado.

1. Planteamiento del Problema

La Inversión de Forma de Onda Completa (FWI, por sus siglas en inglés) es una técnica de alta resolución utilizada en geofísica para reconstruir modelos del subsuelo y estimar parámetros físicos (como la velocidad acústica). Sin embargo, la FWI presenta desafíos fundamentales:

• Naturaleza mal planteada (ill-posed): Dado que los datos sísmicos están limitados en espacio y frecuencia, y a menudo son ruidosos, múltiples modelos pueden ajustarse a las observaciones.
• Incertidumbre: Los métodos deterministas tradicionales (basados en gradientes) proporcionan una única solución que minimiza el error, pero no ofrecen información sobre la incertidumbre de los parámetros estimados.
• Curse of Dimensionality (Maldición de la dimensionalidad): En espacios de modelos de alta dimensión (típicos en sísmica), los métodos de muestreo estocástico estándar, como el Monte Carlo de Cadenas de Markov (MCMC), son ineficientes debido a la rápida disminución de modelos relevantes a medida que aumenta la dimensión.

El objetivo del trabajo es investigar la viabilidad de aplicar el método Hamiltoniano Monte Carlo (HMC) a la FWI acústica y desarrollar una estrategia para optimizar su convergencia en configuraciones de reflexión, donde la elección de los parámetros de masa es crítica.

2. Metodología

El enfoque combina la física de la propagación de ondas con algoritmos de inferencia bayesiana avanzada:

• Modelo Físico: Se asume un medio acústico bidimensional. Los datos se generan resolviendo la ecuación de onda acústica utilizando el método de diferencias finitas (implementado con el lenguaje Devito). Se utiliza un modelo sintético recortado de Marmousi como objetivo.
• Formulación Probabilística: La FWI se trata como un problema de inferencia bayesiana. La función de verosimilitud se define mediante una función de error (misfit) basada en una distribución gaussiana de los residuos entre los datos observados y modelados.
• Hamiltoniano Monte Carlo (HMC):
  • Los parámetros del modelo se interpretan como partículas en un sistema mecánico clásico.
  • Se define un Hamiltoniano $H(m, p) = \frac{1}{2}p^T M^{-1} p + E(m)$, donde $E(m)$ es la energía potencial (función de error) y $M$ es la matriz de masa.
  • Se utiliza el integrador Leapfrog para simular la dinámica hamiltoniana, preservando la reversibilidad temporal y la conservación del volumen en el espacio de fases.
  • Se emplea el método de estado adjunto para calcular eficientemente el gradiente de la función de error, evitando el cálculo directo de la matriz Jacobiana.

3. Contribuciones Clave

La contribución principal del artículo es una nueva estrategia de ajuste (tuning) para la matriz de masa ($M$) en el método HMC, diseñada específicamente para experimentos de sísmica de reflexión:

• Problema del Ajuste de Masa: En HMC, la matriz de masa controla la inercia de las partículas. Una elección inadecuada (como una matriz identidad fija) lleva a una exploración ineficiente del espacio de fases, especialmente en problemas no lineales complejos.
• Estrategia Propuesta: Los autores proponen que la masa de las partículas debe variar según la profundidad ($z$) y el número de pasos de HMC.
  • Justificación Física: En la sísmica de reflexión, la información sobre las estructuras profundas es limitada (poca iluminación).
  • Mecanismo: Se inicia con una masa uniforme. Después de un número determinado de pasos, la masa de cada parámetro $m_i$ se reduce dividiéndola por una función $\gamma_i(z)$ que crece monótonamente con la profundidad.
  • Efecto: Esto hace que las partículas sean "más ligeras" a medida que el sistema se acerca a un mínimo de energía potencial en regiones profundas, permitiendo una exploración más ágil donde la información es escasa.
  • Parámetros: Se ajustan los valores de $\gamma_{min}$ y $\gamma_{max}$ según el nivel de ruido en los datos ($\sigma^2$).

4. Resultados

Los experimentos se realizaron en el modelo Marmousi con tres escenarios de ruido (bajo, medio y alto):

• Convergencia: La estrategia de ajuste de masa mejora significativamente la convergencia del HMC en comparación con una matriz de masa fija (estándar). Se logra una tasa de aceptación de muestras superior al 60% y una reducción en la autocorrelación de las muestras, lo que indica una exploración más eficiente del espacio de parámetros.
• Reconstrucción del Modelo:
  • El método con la estrategia propuesta reconstruye las características principales del modelo objetivo más rápido que el enfoque convencional, especialmente en la región profunda ($z > 1$ km), que está mal restringida por los datos.
  • Esto reduce el costo computacional necesario para obtener soluciones razonables.
• Cuantificación de Incertidumbre:
  • Se calcularon la media, varianza y asimetría (skewness) de las muestras.
  • Media: En regiones someras, la media se asemeja al modelo objetivo; en regiones profundas, solo se capturan características a gran escala.
  • Varianza: Aumenta con la profundidad y es alta en las discontinuidades del modelo, reflejando la falta de información en esas zonas.
  • Asimetría: Se observó un comportamiento no gaussiano (valores de asimetría positivos y negativos alternados), lo que demuestra que la distribución de probabilidad de los parámetros no es simétrica. Esto implica que la moda (valor más probable) no siempre coincide con la media, y que los métodos basados únicamente en gradientes o Hessianos (que asumen normalidad) son insuficientes para una cuantificación completa de la incertidumbre.
• Compensación (Trade-off): Se identificó una relación entre la nitidez de la imagen y la precisión de los valores de velocidad. Un ruido bajo ($\sigma^2$ pequeño) produce imágenes nítidas pero con valores de velocidad menos precisos, mientras que un ruido alto produce imágenes más borrosas pero con valores medios más cercanos a la realidad.

5. Significado e Impacto

Este trabajo es significativo por varias razones:

1. Viabilidad del HMC en Geofísica: Demuestra que el HMC es una herramienta viable y superior a los métodos MCMC tradicionales para problemas de inversión sísmica de alta dimensión, siempre que se ajusten correctamente sus parámetros.
2. Innovación en el Ajuste de Parámetros: La estrategia de masa dependiente de la profundidad aborda un cuello de botella crítico en la aplicación de HMC a problemas de reflexión, donde la geometría de adquisición limita la resolución vertical.
3. Gestión de la Incertidumbre: Proporciona una metodología robusta para cuantificar la incertidumbre en modelos de subsuelo, revelando la naturaleza no gaussiana de los problemas de inversión no lineales. Esto es crucial para la exploración de petróleo y gas, donde la toma de decisiones depende de la fiabilidad de los modelos.
4. Eficiencia Computacional: Al acelerar la convergencia y reducir la necesidad de cálculos de gradiente innecesarios, el método hace que la inversión estocástica sea más accesible para problemas a gran escala.

En conclusión, los autores proponen un marco híbrido que combina la eficiencia de los métodos deterministas (gradientes) con la flexibilidad de los métodos estocásticos, superando las limitaciones de la dimensionalidad mediante una adaptación inteligente de la dinámica hamiltoniana basada en la física de la adquisición sísmica.