数据驱动正演模型中可涌现物理灵敏度核：来自面波频散的证据
机器学习
2026-04-07 v1 地球物理
摘要
数据驱动神经网络越来越多地被用作地球物理中的代理正演模型，但尚不清楚它们是否仅恢复了数据映射还是也恢复了底层物理灵敏度结构。在这里，我们使用面波频散来检验这个问题。通过比较神经网络代理的自动微分梯度与理论灵敏度核，我们表明学习到的梯度可以在广泛的周期范围内恢复物理核的主要深度依赖结构。这表明神经网络代理模型可以学习物理上有意义的微分信息，而不仅仅是充当纯粹的黑箱预测器。同时，训练分布中的强结构先验可能会在推断的灵敏度中引入系统性伪影。我们的结果表明，神经网络正演代理可以为反演和不确定性分析恢复有用的物理信息，同时阐明这种微分结构在何种条件下保持物理一致性。
引用
@article{arxiv.2604.04107,
title = {Physical Sensitivity Kernels Can Emerge in Data-Driven Forward Models: Evidence From Surface-Wave Dispersion},
author = {Ziye Yu and Yuqi Cai and Xin Liu},
journal= {arXiv preprint arXiv:2604.04107},
year = {2026}
}
备注
12 pages, 2 figures