通过深度神经网络的无监督学习方法，提出了一种重构地下物理速度参数的方法，不需要标记的训练数据集，表现优于传统方法。

Nov, 2023

本文研究了两种神经算子的性能，提出了它们的实际扩展，使它们更加准确、鲁棒，并适用于工业复杂应用，针对多个基准测试问题，将其与已有神经算子进行比较，证明了其在实际问题中的有效性，并对两种算子进行了理论上的对比。

Nov, 2021

本文介绍了利用神经算子和傅里叶神经算子在三维地震学中进行高保真数值模拟并模拟地面运动时系列的应用。模型可以用于评估地质特征对地面运动的影响，特别是介于中等和大范围的区间的地面运动强度。

Apr, 2023

通过使用有限的高保真数据集进行训练，我们提出了一种基于深度算子学习的框架，它能够在减少工作量的同时获得准确的实验和计算数据。我们的方法首先使用物理引导的 Fourier 特征深度算子网络通过广泛的数据集学习低保真解决方案的基本模式，然后通过物理引导的 Fourier 特征残差深度算子网络提高低保真网络输出，使用少量的高保真数据集进行训练，从而获得高保真解决方案。结果表明，我们提出的框架中物理引导的 Fourier 特征深度算子网络相比于基于数据驱动的方法在预测升力和阻力系数方面具有更好的预测能力。

Nov, 2023

基于弹性散射理论和深度学习技术，本文提出了一种基于物理问题的时间谐波全波形反演方法，以增强解的准确性，并通过修改变分自编码器的结构引入了一种基于物理问题的概率深度学习方法，能够探索解的不确定性。为了评估提出的方法的性能和准确性，并鉴于该领域数据集的有限可用性，我们创建了一个逼近实际的综合数据集，并对所提出的方法进行了比较分析。

Jun, 2024

根据观测边界数据估计给定领域中的波速分布是全波形反演（FWI）的一个反问题。为了降低计算复杂度，我们整合了一个基于卷积神经网络（CNN）的编码器 - 求解器预处理器的学习过程，该编码器 - 求解器被训练成有效地对离散化的 Helmholtz 算子进行预处理。通过在优化过程的迭代中重新训练 CNN，我们使编码器 - 求解器适应迭代演化的波速介质作为反演的一部分。我们使用高频数据演示了解决 2D 地球物理模型的 FWI 问题的方法。

May, 2024

本文发现了一个惊人的现象：当通过自监督学习分别为地震数据和速度图像训练编码器和解码器时，在潜在空间中观察到跨域的线性关系。基于这些发现，我们提出了 SimFWI，它包括两个步骤：通过多个数据集上的遮蔽图像建模分别学习地震编码器和速度解码器；为每个数据集学习一个线性映射。实验结果表明，SimFWI 可以实现与联合训练模型相当的结果。

Apr, 2023

利用深度生成模型作为地震学参数的先验分布，结合变分贝叶斯推理方法，解决全波形反演中的非线性和非唯一的逆问题，为地下结构提供了考虑内在不确定性的洞察。

Jun, 2024

通过对大数据对深度学习模型在全波形反演（FWI）中的影响的调查研究，揭示了大数据对 FWI 中的深度学习模型的性能和泛化能力的改善效果。同时，研究表明模型的容量需要根据数据的规模进行相应的调整以达到最佳的改进效果。

Jul, 2023

提出了一种使用生成扩散模型优化全波形反演的方法，该方法可以有效地结合地下前期速度模型与地震观测数据，提高了地下模型的重构精度。

Jun, 2023