SWEEP (Seismic Wave Equation Exploration Platform): A Unified Solver Framework for Differentiable Wave Physics

SWEEP es una plataforma unificada y extensible para la resolución de ecuaciones de ondas sísmicas que, gracias a su soporte para diferenciación automática y arquitectura modular, facilita la implementación de métodos de inversión como la inversión de forma de onda completa (FWI) y la migración de tiempo inverso por mínimos cuadrados (LSRTM).

Lo esencial

Imagina que la Tierra es como un pastel gigante y muy complejo. Los geofísicos quieren saber qué hay dentro de ese pastel (dónde está el petróleo, el agua o las rocas duras) sin tener que cortarlo y abrirlo. Para hacerlo, lanzan "golpes" (ondas sísmicas) y escuchan cómo rebotan.

El problema es que entender esos ecos es como intentar adivinar la receta de un pastel solo escuchando cómo suena al ser golpeado. Es matemáticamente muy difícil y requiere escribir miles de líneas de código para simular cómo viaja el sonido a través de la tierra.

Aquí es donde entra SWEEP.

¿Qué es SWEEP?

Piensa en SWEEP como un "Lego Universal para el Sonido Subterráneo".

Antes, si un científico quería simular cómo viaja el sonido en un tipo de roca, tenía que construir su propia casa desde cero, ladrillo por ladrillo, con reglas muy estrictas. Si quería cambiar las reglas (por ejemplo, simular rocas que absorben sonido o que se comportan de forma extraña), tenía que derribar la casa y empezar de nuevo.

SWEEP es una caja de herramientas mágica que ya tiene todos los ladrillos pre-fabricados. Solo tienes que decirle: "Quiero simular sonido en rocas con agua" o "Quiero simular sonido en rocas que se deforman", y SWEEP ensambla la simulación automáticamente.

Las 3 Magias de SWEEP

1. El "Chef Automático" (Diferenciación Automática)

Imagina que estás cocinando y quieres mejorar la receta. Antes, tenías que probar la sopa, anotar qué pasó, cambiar un poco de sal, probar de nuevo, anotar, y repetir esto miles de veces manualmente para encontrar el sabor perfecto. Eso es lo que hacían los científicos antes para encontrar la mejor imagen del subsuelo.

SWEEP tiene un "Chef Automático" (llamado diferenciación automática). Si le dices: "Quiero que esta sopa sepa mejor", el Chef no solo cambia la sal; calcula instantáneamente exactamente cuánto cambiar cada ingrediente para lograrlo. Esto permite encontrar la respuesta correcta miles de veces más rápido y sin errores humanos.

2. El "Simulador de Múltiples Realidades" (Modelado por Lotes)

Imagina que quieres probar cómo suena un concierto en 100 salas de conciertos diferentes al mismo tiempo.

• El método antiguo: Probarías una sala, la limpiarías, probarías la siguiente, y así sucesivamente. ¡Tardaría años!
• El método SWEEP: SWEEP es como tener 100 salas de conciertos conectadas en una sola red. Puede simular todas las salas a la vez en un solo segundo. Esto ahorra una cantidad increíble de tiempo y energía.

3. El "Traductor Universal" (Compatible con Inteligencia Artificial)

SWEEP está diseñado para hablar el mismo idioma que las Redes Neuronales (la tecnología detrás de la Inteligencia Artificial moderna).
Antes, si querías usar una IA para ayudar a entender el subsuelo, tenías que construir un puente muy complicado entre el simulador de sonido y la IA. Con SWEEP, el puente ya está construido. Puedes conectar tu "cerebro de IA" directamente a la simulación y dejar que la IA aprenda a encontrar petróleo o agua mucho más rápido que un humano.

¿Qué tipos de "sonidos" puede simular?

SWEEP es muy versátil. Puede simular:

• Sonido simple: Como el eco en una piscina (ondas acústicas).
• Sonido complejo: Como el sonido que viaja a través de gelatina o rocas que se estiran (ondas elásticas).
• Sonido que se desvanece: Como cuando el sonido se pierde en una habitación con alfombras (ondas atenuadas).
• Sonido en rocas raras: Incluso puede simular cómo se comporta el sonido en rocas que tienen una dirección preferida (anisotropía), como si el sonido viajara más rápido hacia el norte que hacia el este.

En resumen

SWEEP es una plataforma unificada que hace que simular el sonido bajo la Tierra sea tan fácil como usar una aplicación en tu teléfono.

• Antes: Era como construir un avión a mano, pieza por pieza, cada vez que querías volar.
• Ahora: Con SWEEP, es como subirte a un avión que ya está listo, con un piloto automático (IA) y un motor súper rápido, para explorar los secretos más profundos de nuestro planeta.

Los científicos ahora pueden concentrarse en resolver los misterios geológicos en lugar de perder tiempo arreglando el código matemático que hace que el sonido viaje.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo "SWEEP (SEISMIC WAVE EQUATION EXPLORATION PLATFORM): A UNIFIED SOLVER FRAMEWORK FOR DIFFERENTIABLE WAVE PHYSICS", basado en el documento proporcionado.

1. Planteamiento del Problema

La construcción de modelos de velocidad y la imagenología basadas en la ecuación de onda son tareas fundamentales en la exploración sísmica. Tradicionalmente, la resolución de problemas inversos (como la Inversión de Forma de Onda Completa - FWI) requiere resolver tanto las ecuaciones de onda directas como sus adjuntas.

• Limitaciones actuales: El método tradicional de estado adjunto exige la derivación manual de las ecuaciones adjuntas y las expresiones de gradiente. Este proceso es complejo, propenso a errores y requiere un cuidado meticuloso con la física de las ondas (consistencia temporal, condiciones de frontera, términos fuente).
• Dilema de implementación: Las soluciones basadas en diferenciación automática (AD) como PyTorch ofrecen facilidad de desarrollo pero sufren en rendimiento de ejecución. Por otro lado, las implementaciones en CUDA son rápidas pero difíciles de desarrollar y mantener. Existe una necesidad de un marco que combine la eficiencia de desarrollo con el rendimiento de alto nivel.

2. Metodología

El artículo presenta SWEEP, una biblioteca unificada y extensible de solucionadores de ecuaciones de onda diseñada para modelado e inversión.

• Arquitectura Unificada: SWEEP soporta tanto PyTorch como JAX como backends. JAX es destacado por ofrecer diferenciación automática similar a PyTorch, pero con compilación Just-In-Time (JIT) basada en XLA, lo que permite un rendimiento comparable al código CUDA escrito a mano.
• Diseño Modular: La implementación se basa en tres módulos principales:
  1. Propagador: Gestiona el proceso de paso de tiempo, asignación de memoria y actualización de campos de onda.
  2. Fuente: Maneja la inyección de campos de onda con configuraciones flexibles.
  3. Receptor: Registra los campos de onda en ubicaciones específicas.
• Abstracción de Paso de Tiempo: El proceso de integración temporal se abstrae de manera similar a una Red Neuronal Recurrente (RNN). Los usuarios solo necesitan definir el comportamiento de actualización para un solo paso de tiempo (step), sin gestionar manualmente las formas de los modelos o la asignación de memoria.
• Diferenciación Automática (AD): Al integrar nativamente AD, el marco permite calcular gradientes de funciones de pérdida respecto a parámetros del modelo o campos de onda sin derivar manualmente las ecuaciones adjuntas, facilitando la implementación de FWI, LSRTM y métodos de optimización basados en gradientes.
• Optimización Computacional:
  • Modelado por Lotes (Batch Modeling): Permite calcular múltiples disparos (shots) simultáneamente, reduciendo la sobrecarga de lanzamiento de kernels.
  • HPC: Soporte nativo para GPUs y TPUs, con capacidad de extensión a múltiples dispositivos mediante DistributedDataParallel (PyTorch) o pmap (JAX).

3. Contribuciones Clave

• Marco Unificado y Extensible: SWEEP soporta una amplia gama de motores de propagación de ondas, incluyendo:
  • Acústico (primer y segundo orden).
  • Elástico (velocidad-esfuerzo).
  • Acústico viscoelástico (con atenuación y dispersión).
  • Anisotropía: VTI (Transversalmente Isotrópico Vertical) y TTI (Transversalmente Isotrópico Incluido), tanto acoplados como desacoplados.
  • Ecuaciones acopladas Acústico-Elásticas.
  • Aproximaciones de Born para LSRTM (acústico, elástico y acoplado).
• Interfaz "Plug-and-Play": Facilita la integración de funciones de pérdida personalizadas, redes neuronales para representaciones de velocidad y estrategias de inversión multi-escala.
• Código Limpio y Conciso: La implementación de las ecuaciones de onda está diseñada para ser legible y modular, reduciendo la complejidad de las operaciones de bajo nivel y permitiendo a los usuarios centrarse en el diseño de flujos de trabajo de alto nivel.
• Soporte para Nuevas Técnicas: Habilita la implementación fluida de separación de campos de onda, gathers de imagen comunes (CIG) y técnicas de codificación de fuentes.

4. Resultados y Ejemplos

El documento presenta múltiples ejemplos numéricos que validan la capacidad del marco para resolver diferentes tipos de ecuaciones de onda en 2D:

• Comparación de Orden: Se demuestra la equivalencia entre la solución de la ecuación acústica de primer orden (integrada en el tiempo) y la de segundo orden.
• Anisotropía: Se muestran campos de onda para medios VTI y TTI con diferentes parámetros anisotrópicos ($\eta, \epsilon, \delta$), ilustrando la capacidad de manejar artefactos de ondas qSV y patrones de diamante característicos.
• Atenuación y Dispersión: Se modelan ecuaciones viscoacústicas utilizando correcciones de fase y amortiguamiento de amplitud, mostrando claramente los efectos de la atenuación en la propagación de ondas.
• Acoplamiento y Pseudo-Elástico: Se presentan simulaciones de ecuaciones acústico-elásticas acopladas y ecuaciones pseudo-elásticas, comparando sus resultados con modelos puramente elásticos y acústicos en medios estratificados.
• LSRTM: Se detallan las formulaciones para LSRTM isotrópico acústico, elástico y acoplado, mostrando cómo el marco maneja tanto los campos de onda de fondo como los perturbados.

5. Significancia

SWEEP representa un avance significativo en la geofísica computacional al cerrar la brecha entre la facilidad de desarrollo de los marcos de aprendizaje profundo y el rendimiento de alto nivel necesario para la simulación sísmica a gran escala.

• Aceleración de la Investigación: Al eliminar la necesidad de derivar e implementar manualmente ecuaciones adjuntas complejas, SWEEP acelera el desarrollo de nuevas estrategias de inversión y técnicas de imagenología.
• Flexibilidad para IA: Su arquitectura está optimizada para la integración con redes neuronales, permitiendo el desarrollo de enfoques híbridos (física + aprendizaje profundo) para la inversión de parámetros.
• Escalabilidad: La capacidad de ejecutar simulaciones en múltiples GPUs/TPUs con un esfuerzo mínimo de codificación lo convierte en una herramienta viable para problemas inversos a gran escala y complejos.

En resumen, SWEEP se posiciona como una solución unificada para abordar problemas inversos sísmicos avanzados, combinando la robustez de la física de ondas con la potencia de la diferenciación automática moderna.