使用混合量子神经网络进行地震反演
量子物理
2025-11-11 v2 机器学习
地球物理
摘要
地震反演（包括叠后反演、叠前反演和全波形反演）是计算和内存密集型的。最近，已经开发了多种方法，包括物理信息机器学习，来解决其中一些限制。受量子计算的潜力驱动，我们报告了尝试将此类经典物理信息算法映射到量子框架的努力。主要目标是研究这种映射的技术挑战，因为量子算法依赖于与经典计算根本不同的计算原理。量子计算机使用量子比特运行，利用叠加和纠缠，提供了解决经典不可解问题的潜力。虽然当前的量子硬件有限，但混合量子-经典算法——特别是在量子机器学习（QML）中——展示了近期应用的潜力，并且可以轻松模拟。我们通过开发用于叠后和叠前地震反演的混合量子物理信息神经网络（HQ-PINN），将 QML 应用于地下成像。HQ-PINN 架构采用编码器-解码器结构：混合量子神经网络编码器从地震数据估计 P 波和 S 波阻抗，而解码器利用地球物理关系重建地震响应。训练通过最小化输入与重建地震记录之间的失配来指导。我们系统地评估了量子层设计、微分策略和模拟器后端对反演性能的影响。我们通过反演合成数据和 Sleipner 场数据集证明了该方法的有效性。HQ-PINN 框架持续产生准确的结果，展示了量子计算在地球科学中的前景，并为未来量子增强的地球物理工作流程铺平了道路。
引用
@article{arxiv.2503.05009,
title = {Seismic inversion using hybrid quantum neural networks},
author = {Divakar Vashisth and Rohan Sharma and Tejas Ganesh Iyer and Tapan Mukerji and Mrinal K. Sen},
journal= {arXiv preprint arXiv:2503.05009},
year = {2025}
}