地震反演中深度神网络架构研究与应用.pdfVIP

表格

{

边框‑collapse:

collapse;

}

表格,

th,

td

{

边框:

1px

实线

#000;

}

在反演问题中出现的深度神

经网络架构Maarten

V.

de

Hoop,

Rice

University

已彻底改变了机器视觉、语音识别以及众多其他领域。然而，地质物理问题的机

器学习算法开发尚未真正展开，尽管与的（监督式）学习方法相比，需要进行多种调

整。例如，通常无法获得“数据”。尽管如此，融合物理知识的机器学习正在引领地

球物理研究的新时代。在此，我们展示了深度神经网络架构在不同反演问题中自然出

现，同时学习这些网络为研究地球结构了有前景的新方法。

引言

反问题分析与机器学习之间的交叉融合本质上仍处于开放状态，但机器学习中的新兴模型

为此了令人兴奋的机会。除了能够捕捉数据的多尺度几何特征外，研究表明深度卷积

网络等结构可以近似某些反演映射。化和流形学习的概念经常出现在讨论中，而这些

网络的不变性特性及其（前所未有的）建模尺度交互能力似乎发挥了重要作用。深度网络

表示能力的重要贡献来自非线性，这些非线性