用于地球物理监测的物理引导生成式 AI 工具包
机器学习
2024-01-09 v1 人工智能
计算机视觉与模式识别
信号处理
地球物理
摘要
全波形反演（FWI）在地球科学中探索地下结构起着至关重要的作用。它利用地震波来成像地下速度图。随着机器学习（ML）技术的发展，使用 ML 进行 FWI 任务的数据驱动方法已经出现，与传统的基于物理的方法相比，提供了更高的精度和更低的计算成本。然而，地球科学中一个常见的挑战——数据获取受限，严重限制了 ML 的有效性。在模型剪枝过程中，这一问题变得更加严重，而模型剪枝由于环境复杂性在地球科学中是必不可少的一步。为了解决这个问题，我们引入了 EdGeo 工具包，它采用了一个由物理原理引导的基于扩散的模型来生成高保真速度图。该工具包使用声波方程生成相应的地震波形数据，从而便于对剪枝后的 ML 模型进行微调。我们的结果表明，在各种剪枝比率下，SSIM 分数有显著提高，MAE 和 MSE 均有所降低。值得注意的是，使用 EdGeo 生成的数据进行微调的 ML 模型产生了更高质量的速度图，特别是在表示数据受限特征方面，优于其他现有方法。
引用
@article{arxiv.2401.03131,
title = {A Physics-guided Generative AI Toolkit for Geophysical Monitoring},
author = {Junhuan Yang and Hanchen Wang and Yi Sheng and Youzuo Lin and Lei Yang},
journal= {arXiv preprint arXiv:2401.03131},
year = {2024}
}