Testen eines maschinellen Lernansatzes zur geophysikalischen Inversion

Ein häufiges Problem in den Geowissenschaften ist die Notwendigkeit, unsichtbare physikalische Strukturen auf der Grundlage begrenzter Beobachtungen abzuleiten. Zum Beispiel versucht eine bodendurchdringende Radarbeobachtung, auf unterirdische Strukturen ohne In-situ-Messungen zu schließen. Diese Klasse von Problemen wird als Inversion bezeichnet, bei der ein angenommenes physikalisches Modell wiederholt angepasst wird, bis es mit den Beobachtungen übereinstimmt.

Die Ergebnisse der Inversion können stark durch die Wahl der Modelle beeinflusst werden, die als Bayes’scher Prior wirken. Und da Modelle im Allgemeinen weniger komplex sind als die physische Welt, kann der Prozess auch zu einer zu stark vereinfachten Lösung führen. Um diese Schwierigkeiten zu bekämpfen, ist es üblich, ein theoretisches Modell mit bekannten Beispielen aus der realen Welt zu erweitern, wie z. B. Beweise, die von Aufschlüssen oder Bohrlöchern gesammelt wurden. Diese Kombination kann zu einer Reihe von Modellpermutationen führen, um eine realistischere Diversität für den Prior bereitzustellen.

Jüngste Fortschritte bei diesem Ansatz wurden auf der Grundlage von Techniken des maschinellen Lernens erzielt. Convolutional Neural Networks, ähnlich denen, die in Computer Vision verwendet werden, haben sich beim Integrieren vieler Trainingsbeispiele bewährt, um nuanciertere Priors mit erhöhter räumlicher Auflösung zu erzeugen. Lopez-Alvis et al. Untersuchen Sie einen solchen neuronalen Netzwerkansatz: den Variational Autoencoder (VAE).

Variations-Autoencoder können mehr als nur vergangene Trainingsdaten „wiederkäuen“. Sie können neue Proben erzeugen, die mit den in den Eingangsbildern beobachteten Mustern übereinstimmen, aber nicht identisch sind. Die Autoren testen diese Fähigkeit, indem sie VAEs vergleichen, die mit einzelnen Eingabebildern trainiert wurden, mit solchen, die mit Bildsätzen über synthetische und reale Beobachtungsdaten hinweg trainiert wurden.

Ein wichtiges Ergebnis der Studie ist, dass VAEs, die mit Bildsammlungen trainiert wurden, offenbar besser abschneiden als solche, die nur auf einer einzigen Eingabe basieren. Tatsächlich schneidet die kombinierte VAE sowohl für synthetische als auch für Felddaten fast so gut ab wie das einzelne beste Trainingsbild. Anstatt nach dem Modell der „richtigen Übereinstimmung“ zu suchen, indem viele Inversionen mit unterschiedlichen Eingaben durchgeführt werden, ist es daher wesentlich effizienter, die Trainingseingaben in einer VAE zu kombinieren und nur eine Inversion durchzuführen.

Diese Studie ist veröffentlicht in Journal of Geophysical Research: Feste Erde.

Diese Geschichte wurde mit freundlicher Genehmigung von Eos, gehostet von der American Geophysical Union, neu veröffentlicht. Lesen Sie die OriginalgeschichteHier.