面向碳捕获与储存的函数空间解耦扩散正向与逆向建模
机器学习
2026-03-04 v2 地球物理
摘要
准确表征地下流动是碳捕获与储存（CCS）的关键任务，但受稀疏观测导致的反问题难题限制。我们提出了函数空间解耦扩散后验抽样（Fun-DDPS）框架，结合函数空间扩散模型与可微分神经算子代理，实现正向与逆向建模。该方法通过单通道扩散模型学习地质参数（地模型）的先验分布，随后利用局部神经算子（LNO）代理提供物理一致性指导，实现对动态场的跨场条件化。这种解耦设计使扩散先验能够稳健恢复参数空间中缺失信息，而代理则提供高效的梯度驱动数据同化。我们在合成CCS建模数据集上验证了Fun-DDPS，取得两个关键结果：（1）在仅25%观测数据的情况下，Fun-DDPS的相对误差为7.7%，远低于标准代理的86.9%（提升11倍），证明其在数据稀疏极端场景下的鲁棒性；（2）我们首次对比严格验证了基于扩散的逆向求解器与渐近精确的拒绝抽样（RS）后验的一致性。Fun-DDPS与联合状态基线（Fun-DPS）均实现了小于0.06的 Jensen-Shannon 散度，优于真实值。关键在于，Fun-DDPS生成的物理一致实现免于联合状态基线中常见的高频伪影，同时实现了相对于拒绝抽样的4倍样本效率提升。
引用
@article{arxiv.2602.12274,
title = {Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage},
author = {Xin Ju and Jiachen Yao and Anima Anandkumar and Sally M. Benson and Gege Wen},
journal= {arXiv preprint arXiv:2602.12274},
year = {2026}
}
备注
Accepted to ICLR AI&PDE Workshop