Тестирование подхода машинного обучения к геофизической инверсии

Исследователи протестировали метод машинного обучения — вариационный автоэнкодер (VAE) — для улучшения решения задач геофизической инверсии, когда по ограниченным наблюдениям (например, данным георадара) необходимо восстановить недоступную для прямых измерений физическую структуру недр.

Традиционные методы инверсии сталкиваются с проблемами: результаты сильно зависят от выбора исходной модели (априорного распределения), а упрощённость моделей ведёт к чрезмерно упрощённым решениям. Новый подход позволяет интегрировать множество реальных данных (например, по обнажениям или скважинам) для создания более реалистичного и детального априорного распределения.

Ключевой вывод работы, опубликованной в Journal of Geophysical Research: Solid Earth, заключается в том, что VAE, обученный на наборах изображений, работает почти так же хорошо, как и наилучшая отдельная обучающая модель. Это делает процесс инверсии значительно эффективнее, устраняя необходимость в множественных расчётах с разными входными данными для поиска «правильного» соответствия.