ROMNet: a hybrid reduced order modeling and machine learning approach to waveform inversion
本文介绍了 ROMNet，这是一种将降阶模型与神经网络相结合的混合方法，旨在通过高效地将 ROM 矩阵映射到波速，从而克服传统全波形反演中固有的计算挑战和周期跳跃问题。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，在不切开山脉、人体或深层地壳的情况下，试图看清其内部结构。科学家们通过向地下发送波——在医学成像中是声波，在地质学中是地震波——并监听这些波如何反射回来来实现这一目标。通过分析这些返回的回声，他们可以构建出隐藏内部结构的图像。这个过程被称为波形反演（waveform inversion），它是寻找石油储量、绘制地下断层图或诊断医学状况的强大工具。然而，这个过程极其困难。波在复杂且不均匀的材料中传播，而将从回声到源头的旅程进行逆向工程所需的数学运算充满了陷阱。如果最初对地下声速的猜测哪怕只有轻微偏差，计算就可能陷入错误的解中，将数据中的一个小波动误认为是重大的地质特征。这个问题通常被称为“周期跳跃”（cycle skipping），长期以来一直是研究人员的一个主要瓶板，迫使他们要么依赖缓慢且昂贵的计算机模拟，要么接受模糊且不准确的图像。
一个研究团队开发了一种名为 ROMNet 的新型混合方法，旨在绕过这些陷阱并显著提高这一过程的速度。他们的方法结合了两个不同的领域：一种将原始数据简化为易于处理形式的数学技术，以及一种教计算机识别简化数据中模式的机器学习。研究人员并不是每次都尝试从头开始求解复杂的波动方程，而是首先将杂乱的波测量值转换为一种紧凑的代数结构，他们称之为降阶模型（reduced order model）。可以将这一步想象成将一道复杂的食谱提炼为其核心原料。虽然这一步是众所周知的，但根据这种提炼后的数据来确定地下声速的具体数值，仍然是一个困难且缓慢的优化问题。
这项研究的创新之处在于他们如何解决最后一步。研究人员训练了一个神经网络——一种人工智能类型——来充当翻译官。该网络获取提炼后的数据结构，并将其映射到一种新的、更简单的数学形式，这种形式与波速有着直接且可预测的关系。通过这样做，他们将一个困难的、迭代的猜谜游戏转化为了通往答案的更为平滑的路径。为了测试他们的想法，他们使用两种截然不同的地下模型运行了数千次计算机模拟。第一组由随机、斑驳的波速变化组成，而第二组则使用了具有断层、褶皱岩层和巨大盐穹的真实地质模型，类似于现实世界中的石油勘探。
结果显示，这种新方法优于现有的试图从头学习整个过程的学习型方法。在针对随机地下模式的测试中，该新方法在基于学习的技术中产生了最准确的图像。更重要的是，当面对复杂的、真实的地质结构时，它在其他学习型方法难以应对的情况下仍保持了高准确度。研究人员发现，虽然该方法无法完美重建与其训练期间所见完全不同的地下特征，但它在提供高质量的初始值方面表现得异常出色。事实上，使用该新方法的输出作为初始猜测，可以让传统的、较慢的方法更快地收敛到正确答案，从而将单次反演的总计算时间从超过十四分钟缩短到了仅十秒钟。
这项工作表明，观测不可见之物的未来可能不在于在纯数学或纯人工智能之间做出选择，而在于将二者交织在一起。研究人员证明，通过利用机器学习来简化数据与物理世界之间的关系，他们可以避开几十年来一直困扰该领域的常见陷阱。虽然该方法依赖于模拟并需要针对特定类型的数据进行训练，但它为实现更快、更便宜且更可靠的高分辨率地下成像提供了一条充满希望的路径。这项研究证实，通过正确的混合方法，是可以在复杂的波动物理景观中航行而不迷失在噪声之中的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。