物理信息机器学习在地震学波传播建模中的应用范围综述

背景：标准数值方法能准确模拟地震波，但计算成本高，特别是对于反问题。机器学习方法被提出作为替代方案，可以在保持可接受的物理精度的同时降低计算成本。目标：描绘基于偏微分方程的物理信息机器学习方法如何应用于地震波传播建模。方法：使用OpenAlex和Scopus数据库进行了范围综述。所选研究按问题类型（正演或反演）和机器学习策略进行分类，以识别研究趋势、方法模式和文献空白。结果：物理信息机器学习已应用于地震学的正演建模和反演，通常以较低的计算成本达到与标准数值方法相当的精度。确定了三种纳入物理知识的机制：观测偏差、归纳偏差和学习偏差。为了评估代表性方法的可复现性，在PyTorch中复现了原始的PINN框架，获得的结果与原始报告一致，且在大多数情况下更准确。从综述的文献来看，在基准测试一致性、训练成本以及扩展到三维和实验验证问题方面仍存在局限性。结论：标准数值方法仍是地震学工作流程的基础，而物理信息机器学习提供了互补的方法，对反问题和代理建模很有用。未来的工作应侧重于一致的基准测试、混合公式以及在真实地球物理条件下的验证。