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

我们提出了一个使用生成对抗神经运算器（GANO）、结合最新的机器学习技术和开放接入强动态数据集的数据驱动模型，能够根据震级（M）、破裂距离（Rrup）、顶部30米时间平均剪切波速度（VS30）以及构造环境或断层风格条件下生成三分量振动加速度时间历程的算法。我们使用神经运算器，这是一种具有分辨率不变性的架构，保证了模型训练与数据采样频率无关。我们首先介绍了条件地面运动合成算法（以下简称cGM-GANO），并讨论了与以前工作相比的优势。接下来，我们使用南加州地震中心（SCEC）宽频平台（BBP）生成的模拟地面运动进行了cGM-GANO框架的验证。最后，我们在一个来自日本的KiK-net数据集上训练了cGM-GANO，结果显示该框架能够恢复傅里叶幅度和伪谱加速度的震级、距离和VS30尺度。我们通过与经验数据集的残差分析以及与选定地面运动场景的传统地面运动模型（GMMs）进行比较来评估cGM-GANO。结果显示cGM-GANO为相应构造环境产生一致的中位数尺度。在训练数据稀缺的情况下，在短距离上观察到最大的误差。除了短距离外，响应谱序列的混合变异性也能够很好地捕捉到，特别是对于俯冲事件由于训练数据的充分性。该框架的应用包括生成面向特定场地工程应用的风险定位地面运动。

Sep, 2023

本研究提出了一种基于深度学习的地震速度反演方法，针对不同规模的嘈杂和噪声较小的训练数据集进行了研究。我们的 Seismic Velocity Inversion Network (SVInvNet) 引入了一种新的架构，其中包含了一个增强型的多连接编码器-解码器结构，该设计经过专门调整以有效处理复杂信息，从而解决非线性地震速度反演的挑战。通过训练和测试，我们创建了多层次、错误和盐穹模型等多种地震速度模型。我们还研究了不同种类的环境噪声以及训练数据集的大小对学习结果的影响。SVInvNet 在包含 750 到 6,000 个样本的数据集上进行了训练，并使用一个包含 12,000 个样本的大型基准数据集进行了测试。尽管参数较基准模型更少，但 SVInvNet 在该数据集上取得了优异的性能。我们还将 SVInvNet 的结果与全波形反演（FWI）方法进行了比较分析，清楚地展示了提出模型的有效性。

Dec, 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

引入一种概率技术，采用变分推理和条件归一化流方法来量化迁移速度模型的不确定性及其对成像的影响。通过将生成人工智能与物理启发式共享图像聚合相结合，减少对准确初始速度模型的依赖。考虑的案例研究证明了其在生成与数据条件相关的迁移速度模型时的有效性，并用于量化后续成像过程中的振幅和定位效果。

Dec, 2023

使用条件生成扩散模型为地震速度综合提供灵活性，同时提高准确性和可靠性，以解决目标分布涵盖的统计或神经网络方法不足的问题。

Feb, 2024

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

本研究介绍了一种使用扩散生成模型合成地下速度模型的新方法。该方法利用不完整的井和地震观测产生高保真度的速度样本，而无需完全采样的训练数据集。结果表明，我们的生成模型准确捕捉到了长距离结构，与地面真实速度模型一致，获得了高结构相似性指数（SSIM）分数，并提供了有意义的不确定性估计。这一方法促进了真实的地下速度合成，为全波形反演提供了有价值的输入，并增强了基于地震的地下模型。

May, 2024

通过使用变压器（Transformer）为基础的深度学习模型，我们提出了一种名为Xi-Net的模型，它利用多方位的时间和频域输入来准确重建地震波形。我们通过填充随机间隙来证明该模型在120s波形中表现出色，与原始波形非常接近。

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