Физически управляемое машинное обучение улучшит изучение недр

Ученые из Национальной лаборатории в Лос-Аламосе применяют алгоритмы машинного обучения для решения задач визуализации подповерхностных структур. Эта работа, описанная в журнале IEEE Signal Processing Magazine, найдет применение в энергоразведке, оценке путей миграции подземных загрязнений, а также в проектах по улавливанию и захоронению углерода (CCS).

«Недра чрезвычайно сложны и неопределенны, но знание их физических свойств жизненно важно для множества применений», — отмечает Юцзо Линь, ведущий автор статьи. В исследовании представлен первый систематический обзор более 100 научных работ по методам физически управляемого машинного обучения для вычислительной визуализации с помощью волн. Эти подходы ценны не только для геофизики, но и для медицинского УЗИ или акустического анализа материалов.

Ключевая задача — сейсмическая инверсия, то есть восстановление картины недр по данным с поверхности. Проблема в том, что множество разных подповерхностных структур могут давать одинаковые поверхностные измерения, делая решение неоднозначным. Существующие алгоритмы требуют огромных вычислений.

«Мы не можем прямо наблюдать Землю под ногами, но нам это необходимо. Поскольку получить полную картину недр почти невозможно, мы полагаемся на ограниченные геофизические данные», — поясняет Линь. Машинное обучение хорошо работает с большими массивами данных, но в сейсморазведке данных мало из-за дороговизны их получения и их коммерческой ценности.

Чтобы решить проблему нехватки данных и улучшить обобщающую способность моделей, растет интерес к интеграции знаний физики в алгоритмы машинного обучения для решения задач инверсии. «Мы хотим использовать передовые технологии машинного обучения, но в области, где реальных данных не так много», — резюмирует соавтор работы Джеймс Тейлер.