探索神经网络参数化在地理物理反演中的优势：基于神经场的研究

本文采用神经场（neural fields），其使用神经网络将坐标映射到该坐标对应的物理属性值，用于测试时学习方式。在测试时学习方法中，权重在反演过程中学习，而与传统方法不同，后者需要使用训练数据集训练网络。在地震断层成像和直流电阻率反演的合成示例中首先展示了结果。随后，对神经网络权重的雅可比进行奇异值分解分析（SVD分析），以探讨神经网络对恢复模型的影响。结果表明，测试时学习方法能够消除由测验灵敏度和物理特性引起的恢复 subsurface 物理属性模型中所见的不需要的伪影。因此，在某些情况下，如恢复倾角或预测主靶目标边界方面，NFs-Inv相对于传统反演方法改善了反演结果。在SVD分析中，我们观察到的左奇异向量模式类似于在计算机视觉中进行监督式生成任务所训练的扩散模型所观察到的模式。这一观察为是否存在一种固有偏置提供了证据，这种偏置是神经网络结构固有的，对监督式学习和测试时学习模型都有所帮助。这一隐式偏置可能对恢复地理物理反演中的模型具有帮助。