通过迁移学习加速全波形反演
本文提出一种基于物理信息神经网络（PINN）的地震波反演框架，以求解半无限域的介质分布问题。通过设计轻量网络学习未知介质分布和深度神经网络近似求解变量来验证该方法的有效性。
May, 2023
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
本文介绍了Fourier-DeepONet的模型在地震波形反演中的应用实验结果，相较于已有的数据驱动FWI方法，该模型在不同频率和位置的源参数下表现出更高的鲁棒性和更准确的预测结果。
May, 2023
介绍了一种用于优化岩石弹性参数的全波形反演数据集，该数据集包含了适用于深度学习的8种不同类型的地质结构模型，通过三种不同种类的深度学习方法推导出的标杆结果被提供，激发了多参数反演和碳零化等研究领域的重要探索。
Jun, 2023
通过应用结构剪枝算法得到InversionNet的轻量化版本以便在资源有限的边缘设备上进行高效推断，实验结果表明剪枝后的InversionNet在模型性能适度下降的情况下能够节省高达98.2％的计算资源。
Oct, 2023
借助物理原理指导的扩散模型，引入EdGeo工具包生成高保真速度图，用于微调精简机器学习模型；实验证明，使用EdGeo生成的数据进行微调可获得优质速度图，尤其适合表示特殊特征，优于其他现有方法。
Jan, 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
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
本研究针对现有全波形反演（FWI）中数据集的不足，提出了一种新颖的反演-深度操作网络（Inversion-DeepONet）。该方法利用多种频率与位置的数据集，提升了模型对地质结构的精确描述与建模能力。实验结果表明，所提出的网络在准确性和泛化能力上优于现有数据驱动的FWI方法。
Aug, 2024