Robust Physics-Guided Diffusion for Full-Waveform Inversion

Cet article présente un cadre robuste d'inversion de forme d'onde complète guidé par la physique, qui combine un prior génératif basé sur le score avec une consistance de données fondée sur la distance de Wasserstein-2 et un schéma de rétro-diffusion préconditionné pour améliorer la qualité de reconstruction par rapport aux méthodes déterministes et aux approches de diffusion standard.

L'essentiel

Imaginez que vous essayez de voir ce qui se cache sous la surface de la Terre, comme si vous vouliez voir les os d'un patient sans faire de radiographie, mais en utilisant uniquement le son. C'est ce que font les géophysiciens avec la sismique : ils envoient des ondes sonores dans le sol et écoutent l'écho pour reconstruire une image de la vitesse des ondes à l'intérieur de la Terre.

Le problème, c'est que c'est comme essayer de reconstituer un puzzle géant dont on a perdu la moitié des pièces, et où les pièces sont déformées par le bruit. C'est ce qu'on appelle l'inversion de forme d'onde complète (FWI).

Voici comment les auteurs de cet article ont inventé une nouvelle méthode pour résoudre ce casse-tête, expliquée simplement :

1. Le Problème : Le "Cycle-Skipping" (Se perdre dans le labyrinthe)

Imaginez que vous essayez d'ajuster la radio pour entendre une station. Si vous êtes un tout petit peu décalé, vous n'entendez que du bruit. Si vous êtes très décalé, vous entendez une autre station qui ressemble vaguement à la vôtre, et vous pensez avoir trouvé la bonne, mais vous êtes en fait dans le mauvais labyrinthe.

En géophysique, c'est pareil. Les méthodes classiques essaient de faire correspondre les ondes sonores enregistrées avec celles qu'elles calculent. Mais si l'image de départ est un peu floue, elles se trompent souvent de "phase" (le timing de l'onde). Elles se coincent dans une fausse solution (un "minimum local") et ne trouvent jamais la vraie image du sous-sol. C'est le fameux cycle-skipping.

De plus, les ondes qui arrivent tôt sont souvent très fortes (comme un cri), tandis que les ondes qui arrivent tard sont faibles (comme un chuchotement). Les méthodes classiques écoutent trop le "cri" et ignorent le "chuchotement", ce qui fausse l'image.

2. La Solution : Un "Guide de Voyage" Intelligent (Diffusion Guidée par la Physique)

Les auteurs proposent une méthode basée sur l'intelligence artificielle, appelée Diffusion, combinée à la physique réelle.

L'Analogie du Dégradé de Bruit (La Diffusion)

Imaginez que vous avez une photo très nette du sous-sol (la vérité). Si vous ajoutez du bruit (de la neige) petit à petit, la photo devient de plus en plus floue jusqu'à ne plus être qu'un tableau blanc tacheté de points aléatoires.

• L'IA (le modèle d'apprentissage) a appris à faire l'inverse : elle sait comment enlever le bruit étape par étape pour retrouver la photo nette à partir du chaos. C'est comme un artiste qui peut deviner le visage caché sous un voile de brouillard.

Mais l'IA seule ne connaît pas la réalité du terrain. Elle pourrait inventer un paysage magnifique mais faux. C'est là qu'intervient la physique.

Le "Guide" (La Consistance des Données)

Pendant que l'IA enlève le bruit, on lui donne un guide qui lui dit : "Attends, cette partie de l'image ne correspond pas aux échos que nous avons réellement entendus."

• L'ancienne méthode de guide était comme un guide têtu qui crie : "Corrige-toi tout de suite !" mais qui se trompe souvent parce qu'il est trop sensible aux petits décalages (le cycle-skipping) et qu'il ignore les détails faibles.
• La nouvelle méthode de guide (celle de cet article) est comme un guide expérimenté et patient.

3. Les Deux Innovations Magiques

A. Le Guide "Optimal Transport" (Le Transporteur de Marchandises)
Au lieu de comparer les ondes sonores point par point (comme comparer deux listes de prix mot pour mot), ils utilisent une méthode appelée Transport Optimal.

• L'analogie : Imaginez que vous devez déplacer des tas de sable d'un endroit à un autre. La méthode classique regarde si chaque grain de sable est à la bonne place. La méthode "Transport Optimal" regarde le mouvement global : "Combien de sable dois-je déplacer pour que le tas ressemble à l'autre ?"
• Cela permet de tolérer de petits décalages de temps (le sable peut bouger un peu sans que tout le système s'effondre) et de mieux gérer les différences de volume entre les gros tas (les ondes fortes) et les petits tas (les ondes faibles). Cela évite que le guide ne soit aveuglé par les "cries" et qu'il écoute aussi les "chuchotements".

B. Le "Préconditionneur" (Le Chaussage Adaptatif)
Dans les anciennes méthodes, le guide utilisait la même force partout, comme si vous marchiez avec les mêmes chaussures de sport sur de la glace, dans la boue et sur du bitume.

• La nouvelle méthode adapte la force du guide en fonction de l'endroit où vous êtes.
  • Si l'image est encore très floue (début du processus), le guide est doux pour ne pas faire de bêtises.
  • Si l'image commence à être nette, le guide devient plus ferme.
  • Dans les zones où le signal est faible (profondeur), le guide pousse plus fort pour aider à voir.
  • C'est comme un guide de randonnée qui vous dit : "Là, avance doucement, le sol est instable. Là-bas, tu peux courir, le chemin est clair."

4. Le Résultat

Grâce à cette combinaison :

1. Une IA qui sait à quoi ressemble un sous-sol réaliste (le "priors").
2. Un guide physique intelligent qui tolère les erreurs de timing et écoute tout le signal (pas juste les bruits forts).
3. Un système qui adapte sa force selon les besoins du moment et de l'endroit.

Les auteurs ont testé cela sur des données réelles et des modèles complexes (avec des failles, des couches courbes, du bruit). Résultat ? Ils obtiennent des images beaucoup plus nettes, avec moins d'artefacts et moins d'erreurs que les méthodes actuelles, même quand les données sont bruitées ou que la géologie est très compliquée.

En résumé : C'est comme passer d'un GPS qui vous dit "tournez à droite" (et vous fait rater le virage si vous êtes à 10 mètres de la route) à un copilote expert qui vous dit : "On est un peu à gauche, mais pas de panique, on va ajuster doucement, en tenant compte de la route glissante ici et du brouillard là-bas, pour arriver exactement à destination."

Résumé technique

1. Problématique : L'Inversion de Forme d'onde Complète (FWI)

L'inversion de forme d'onde complète (FWI) est un problème inverse non linéaire et mal posé visant à reconstruire les paramètres du sous-sol (principalement la vitesse des ondes) à partir d'enregistrements sismiques temporels. Bien que la FWI offre une résolution potentiellement supérieure aux méthodes cinématiques, elle souffre de plusieurs défis majeurs :

• Non-convexité et « Cycle-Skipping » : La fonction de coût classique basée sur l'erreur quadratique moyenne ($\ell_2$) est extrêmement sensible aux décalages de phase (temps) entre les données observées et simulées. Cela crée un paysage d'optimisation rempli de minima locaux, piégeant les algorithmes itératifs dans des solutions incorrectes (phénomène de saut de cycle).
• Déséquilibre d'amplitude : Les phases d'arrivée précoce ont souvent des amplitudes bien supérieures aux réflexions tardives. Dans une approche $\ell_2$, cela entraîne que le gradient est dominé par les fortes amplitudes, négligeant les informations faibles mais cruciales pour les zones peu éclairées.
• Sensibilité spatiale hétérogène : La sensibilité de la fonction de coût varie fortement selon la profondeur et la géométrie d'acquisition (zones bien éclairées vs zones ombrées), rendant l'utilisation d'un pas d'optimisation global inefficace.

Les méthodes récentes utilisant des modèles génératifs (comme les modèles de diffusion) offrent une alternative en apprenant une distribution a priori sur les modèles de vitesse. Cependant, l'application directe de l'échantillonnage posterior de diffusion (DPS) standard à la FWI échoue souvent car elle utilise une fonction de vraisemblance $\ell_2$ rigide et un pas de guidage scalaire fixe, inadaptés aux spécificités de la FWI.

2. Méthodologie Proposée

Les auteurs proposent un cadre « Robust Physics-Guided Diffusion » (Guidage par la physique robuste via diffusion) qui combine un prior génératif basé sur le score avec une guidance de données améliorée. La méthode repose sur deux piliers principaux :

A. Potentiel de cohérence des données basé sur le Transport Optimal (OT)

Au lieu d'utiliser une simple erreur $\ell_2$, les auteurs conçoivent un potentiel de vraisemblance robuste $\Phi(v)$ basé sur la distance de Wasserstein ($W_2$), intégrant trois mécanismes :

1. Pondération adaptative des amplitudes : Une fonction de poids bornée est appliquée aux traces sismiques pour réduire l'influence des arrivées de forte amplitude tout en préservant les signaux faibles. Cela atténue le déséquilibre dynamique.
2. Métrique de Transport Optimal : La distance de Wasserstein-2 est calculée entre les densités de probabilité dérivées des traces (après normalisation). Contrairement au $\ell_2$, la géométrie OT mesure le déplacement de masse, ce qui rend la fonction de coût beaucoup moins sensible aux petits décalages de phase, réduisant ainsi le risque de cycle-skipping.
3. Normalisation de l'échelle : Le terme d'erreur est normalisé par une magnitude caractéristique dépendante des observations pour stabiliser l'échelle numérique du gradient.

B. Guidage Préconditionné Adaptatif (Variable-Metric Guidance)

Pour résoudre le problème de la sensibilité spatiale hétérogène et de l'instabilité des étapes précoces de diffusion, l'algorithme remplace le pas de guidage scalaire standard par un préconditionneur diagonal variable $P_i = \rho_i D_i$ :

• Schedule scalaire ($\rho_i$) : Adapté dynamiquement en fonction de la « rugosité » de l'estimation courante (mesurée par la variation totale - TV). Les étapes précoces (bruitées) reçoivent un guidage plus conservateur pour éviter les instabilités, tandis que les étapes tardives bénéficient d'un guidage plus fort.
• Préconditionneur diagonal ($D_i$) : Les poids diagonaux sont calculés à partir du gradient de l'erreur par rapport à l'estimation propre. Cela permet d'ajuster l'amplitude des mises à jour spatialement, compensant les zones de faible illumination (profondeur) et évitant les sur-corrections dans les zones bien éclairées.

L'algorithme global (OT-WE-PDPS) combine ces éléments dans un processus de diffusion inverse où le score appris (prior) est corrigé à chaque étape par le gradient du potentiel OT préconditionné.

3. Contributions Clés

1. Potentiel de cohérence robuste : Introduction d'une fonction de coût combinant pondération d'amplitude et distance de Wasserstein, spécifiquement conçue pour la FWI pour atténuer le cycle-skipping et le déséquilibre d'amplitude.
2. Mécanisme de guidage variable : Développement d'un schéma de guidage préconditionné adaptatif qui ajuste à la fois l'intensité temporelle (selon le niveau de bruit) et l'échelle spatiale (selon la sensibilité du modèle), surpassant le DPS standard.
3. Validation numérique rigoureuse : Comparaison sur des benchmarks OpenFWI contre des méthodes d'optimisation déterministes (avec régularisation TV) et le DPS standard, démontrant une supériorité en termes de qualité de reconstruction et de stabilité.

4. Résultats Expérimentaux

Les expériences ont été menées sur plusieurs jeux de données OpenFWI (structures lisses, failles, interfaces courbes) avec différents niveaux de bruit et configurations d'acquisition.

• Performance Quantitative : La méthode proposée obtient systématiquement les erreurs relatives $\ell_2$ les plus faibles, les meilleurs PSNR et les meilleurs indices de similarité structurelle (SSIM) par rapport aux baselines. Par exemple, sur le modèle CurveVel-B, l'erreur relative est passée de 10,81 % (DPS standard) à 2,04 % avec la méthode complète.
• Qualité Visuelle : Les reconstructions préservent mieux les interfaces géologiques et les failles, évitant le lissage excessif observé dans les méthodes déterministes et les artefacts du DPS standard.
• Robustesse au Bruit : La méthode reste stable même avec des niveaux de bruit observationnel élevés ($\sigma$ jusqu'à 0,05), maintenant la géométrie des interfaces.
• Généralisation :
  • La méthode s'adapte bien à des changements dans l'opérateur direct (fréquence source, profondeur des récepteurs, nombre de sources) sans réentraînement du prior.
  • Un modèle « mixte » entraîné sur plusieurs familles de structures (lisses, failles, courbes) fonctionne efficacement sur des données non vues (Marmousi2), bien que légèrement inférieur à un modèle spécifique à la famille.

5. Signification et Impact

Cet article représente une avancée significative dans l'application de l'apprentissage profond aux problèmes inverses géophysiques complexes.

• Dépassement des limites du $\ell_2$ : En intégrant le transport optimal directement dans le processus de diffusion, l'article résout le problème fondamental de la non-convexité de la FWI sans nécessiter de stratégies de continuation multi-échelles complexes.
• Efficacité du Guidage Physique : La démonstration qu'un guidage préconditionné adaptatif est crucial pour la stabilité des modèles de diffusion dans des contextes physiques réels (sensibilité hétérogène) ouvre la voie à de nouvelles architectures pour l'inversion sismique.
• Cadre Bayésien Pratique : La méthode offre une approche bayésienne efficace pour la reconstruction de vitesse, capable de fournir des solutions de haute qualité avec une quantification implicite de l'incertitude via l'échantillonnage, tout en restant compétitive en termes de coût computationnel par rapport aux méthodes d'optimisation itératives classiques.

En conclusion, cette approche « guidée par la physique » (Physics-Guided) réussit à allier la flexibilité des modèles génératifs modernes avec la rigueur des contraintes physiques de la sismologie, offrant une solution robuste aux défis historiques de l'inversion de forme d'onde complète.