我们提出了一种基于图神经网络的方法，可直接对多站地震数据进行处理，实现同时相位拾取、关联和定位，这在地震监测领域具有潜在的下一代自主地震监测能力。

Jun, 2023

基于变分数据同化和深度学习概念的框架，用于海面风速的时空丰富、高分辨率信息恢复和模型重建。

Dec, 2023

本文提出了一种新颖的框架，将物理和机器学习方法相结合，用于分析声学信号。该框架包括三种方法：用贝叶斯推断法推断谱声学特性，将神经网络配备前向和反向物理损失的神经物理模型，以及用作基准的非线性最小二乘法。推断的传播系数导致室内冲激响应（RIR）量，可用于带有不确定性的重定位。这一框架的简单和高效在模拟数据上得到了实证验证。

May, 2023

利用物理信息神经网络技术，本研究提出在水下安装少量监测仪器的情况下，通过测量数据重建表面高度的时空范围，以解决常规数值方法无法解决的数据同化问题，并成功应用于确定性波浪预测方法的改进。

Jan, 2024

通过评估辅助信息对从地动记录中进行深度学习的过程的影响，本研究旨在评估深度学习模型在地动记录的深度学习中的有效性，并揭示了研究领域存在的一个缺口，即缺乏独立于任何辅助信息的单站地动记录的深度学习的稳健方法。

Mar, 2024

通过利用 “序列器” 算法对散射的地震波进行协同分析，研究发现太平洋地区具有普遍的侧向异质性，其中包括夏威夷下方的柱根和马克萨斯群岛下方以前未被发现的超低速带。这些观察结果为如何在没有使用者干预的情况下发现深地球的独特洞见，提供了有力的证据。

Jul, 2020

通过利用神经网络中的 U-Net 和 Fourier 神经运算器架构，使用一种基于均匀一维网格的高阶谱方法进行波浪模拟和几何雷达建模方法产生高度逼真的合成训练数据，从而解决了利用计算密集的优化过程或牺牲全过程实时能力和准确性的简单建模假设的现有方法进行相位分辨波浪条件重建的问题。该方法在利用包含每个输入中多个历史雷达快照的时空雷达数据进行训练时，提供了准确的重建结果，并显示出对不同海况的良好泛化表现，其中 FNO 网络在傅里叶空间中全局学习输入和所需输出之间的映射时表现更佳。

May, 2023

本研究论文提出了一种融合数值求解器和深度学习组件的端到端框架，通过对神经网络架构、数据生成算法和 Parareal 算法的改进，无需牺牲速度，显著提高了性能。结果表明，时域动态和 Parareal 迭代在准确传播波动方面具有重要作用。

Feb, 2024

本论文提出了一种基于物理信息神经网络 (PINNs) 的直接微震成像框架，可以处理非常稀疏的记录数据并生成聚焦的源图像，以解决数据稀疏性导致的混淆问题，并使用多频率波场和倒数傅里叶变换来提取源图像，并引入因果损失以提高 PINNs 的收敛性，针对 Overthrust 模型和液压压裂现场数据进行数值实验，证明该方法可以正确成像单个或多个源。

Apr, 2023

该研究提出了一种名为 “Time-Vertex Signal Processing” 的框架，通过将时域信号处理技术与新的图信号处理工具相结合，旨在提高联合谐波分析的概念，并通过分析图上的简单偏微分方程的状态演变作为一种分析工具的形式，来处理高维非欧几里德数据，并证明该方法在多种应用中具有实际应用价值。

May, 2017