سود:
- درک ماهیت بد و چند معنایی وارونگی و تعادل بین تناسب داده ها و منظم سازی.
- امکان اعتبارسنجی شتاب هوش مصنوعی (مدل جایگزین، قبلاً آموخته شده) با مدل سازی رو به جلو واقعی و تشخیص زمین شناسی تحمیلی
- امکان گزارش نتیجه به عنوان توزیع عدم قطعیت به جای یک مدل واحد و نشان دادن وضوح/حساسیت و جداسازی داده از فرض
عمیق ترین سوال در ژئوفیزیک این است: چه مدل زیرسطحی داده هایی را که در سطح اندازه گیری می کنم تولید می کند؟ پاسخ به این سوال وارونگی نامیده می شود. در حالی که مدل سازی رو به جلو داده های مورد انتظار را از یک مدل زیرسطحی شناخته شده محاسبه می کند، مدل سازی معکوس برعکس عمل می کند: مدل زیرسطحی را از داده های مشاهده شده تخمین می زند. در این بخش، یاد خواهید گرفت که چگونه هوش مصنوعی (AI) با مدلهای جایگزین، سرعت وارونگی را افزایش میدهد و به جای ساعتها، ثانیهها را میگیرد. اما خواهیم دید که چرا خروجی هوش مصنوعی به دلیل چندمعنی ذاتی و ابهام وارونگی هرگز نمی تواند به عنوان "یک مدل واقعی" خوانده شود.
کشش اساسی راه حل معکوس
وارونگی یک مشکل خوش خیم نیست. این یک مشکل بد است: ممکن است راه حلی نداشته باشد، ممکن است بیش از یک مورد وجود داشته باشد، یا یک نویز کوچک در داده ها ممکن است باعث تغییر زیادی در مدل شود. بنابراین، وارونگی دو نیرو را متعادل میکند: ناهماهنگی دادهها (نزدیک بودن دادههای تولید شده توسط مدل به دادههای مشاهدهشده) و منظمسازی (افزودن یک محدودیت «قابل قبول» به مدل، به عنوان مثال صاف بودن یا نزدیکی به مدل مرجع). برازش بیش از حد داده نیز باعث ایجاد نویز در مدل می شود. منظم سازی بیش از حد ساختار واقعی را پاک می کند. تنظیم این تعادل (به عنوان مثال وزن منظم لامبدا) بر کل تفسیر تأثیر می گذارد.
چگونه هوش مصنوعی سرعت وارونگی را افزایش می دهد؟
وارونگی کلاسیک مدل را به طور مکرر با اجرای مدل سازی به جلو صدها تا هزاران بار به روز می کند. در وارونگی شکل موج کامل یا الکترومغناطیسی سه بعدی این می تواند ساعت ها تا چند روز طول بکشد. هوش مصنوعی به سه روش شتاب می گیرد:
- مدل جانشین (جایگزین/شبیه ساز): کوتاه کردن چرخه با تقریب محاسبات پیشروی سنگین با یک شبکه عصبی از پیش آموزش دیده سریع.
- آموخته های قبلی: استفاده از یک محدودیت «قابلیت پذیری» که از مدل های زمین شناسی واقع گرایانه به جای منظم سازی به دست آمده است.
- استنتاج مستقیم (پایان به انتها): پیشبینی فوری با شبکههایی که نگاشت مستقیم از دادهها به مدل را میآموزند (مثلاً در برخی وارونگیهای یک بعدی).
هر کدام سرعت میافزایند، اما هر یک خطر جدیدی را به همراه دارد: مدل جایگزین خارج از محدوده آموزشی خطا میکند. پیشین آموخته شده می تواند زمین شناسی مجموعه آموزشی را بر داده ها تحمیل کند (تولید ساختار ناموجود به عنوان "قابل قبول"). استنتاج مستقیم ممکن است اعتماد آن را بیش از حد برآورد کند.
نکته: قبل از پذیرش نتیجه یک وارونگی شتابدهی هوش مصنوعی، مدل حاصل را از طریق مدلسازی واقعی (فیزیکی) به جلو قرار دهید و دادههایی را که تولید میکند با دادههای مشاهده شده مقایسه کنید. اگر راه حلی که مدل جایگزین می گوید "مناسب" داده های مشاهده شده در فیزیک واقعی را نگه ندارد، آن راه حل نامعتبر است.
اندازه گیری عدم قطعیت: توزیع، نه مدل واحد
خروجی یک وارونگی خوب یک مدل نیست، بلکه یک خانواده از مدل های ممکن است. راههای اندازهگیری عدم قطعیت: اجراهای متعدد با مدلهای شروع مختلف، وزنهای منظمسازی متفاوت، و رویکردهای احتمالی (مانند وارونگی بیزی - رویکردی که نتیجه را بهعنوان یک توزیع احتمال، توزیع پسینی ارائه میکند). هوش مصنوعی می تواند نمونه برداری از این توزیع را سرعت بخشد (به عنوان مثال، تولید تعداد زیادی از مدل های ممکن). هدف این نیست که بگوییم «زیر زمین این گونه است»، بلکه «زیر زمین در این محدوده و در این مناطق با این اطمینان چنین است».
احتیاط: هرچه یک نقشه وارونگی "تیز و دقیق تر" به نظر برسد، ممکن است به تصمیم و مقدمه تنظیم بیشتر وابسته باشد. تیز بودن دقت نیست. تشخیص دهید که کدام ناحیه از مدل توسط داده ها و کدام ناحیه توسط پیشین/قاعده سازی (تحلیل وضوح) تعیین می شود.
وضوح و حساسیت
هر سلول از هر مدل وارونگی به یک اندازه قابل اعتماد نیست. حساسیت میزان پاسخگویی داده ها به آن ناحیه از مدل است. مناطقی که دادهها نمیتوانند آنها را ببینند (حساسیت کم) به طور کامل توسط فرضیه پر شدهاند و حاوی اطلاعات واقعی نیستند. هوش مصنوعی می تواند این تمایز را در حین تولید راه حل های سریع پنهان کند. بنابراین، یک نقشه وضوح/حساسیت باید در کنار مدل به دست آمده گنجانده شود.
سه کیف کوچک
مورد 1 - از ساعت تا ثانیه. در یک پروژه مگنتوتلوریک (MT - روش اندازهگیری مقاومت زیرزمینی با میدان الکترومغناطیسی طبیعی)، اجرای وارونگی سه بعدی 9 ساعت طول کشید. تیم حساب فوروارد را با یک شبکه پروکسی جایگزین کرد و اسکن سناریو را به چند دقیقه کاهش داد. اما آنها مدل نهایی را با فیزیک واقعی و تناسب داده های تایید شده دوباره اجرا کردند. آنها به صورت دستی یک منطقه عمیق را که در آن پراکسی خاموش بود تا 3٪ تصحیح کردند.
مورد 2 - زمین شناسی تحمیلی. مقدمه ای که از حوضه های ماسه سنگی به دست آمد در یک میدان کربنات استفاده شد و وارونگی ساختاری صاف و لایه ای ایجاد کرد، اگرچه داده ها از آن پشتیبانی نمی کردند. نقشه احساسات نشان داد که این ساختار دقیقاً در منطقه عمیقی است که دادهها نمیتوانند آن را ببینند: ساختار از پیشفرض آمده است، نه دادهها. وقتی فرض تغییر کرد، مدل واقع بینانه شد.
مورد 3 - مغالطه وضوح. دو تیم داده های گرانشی یکسان را معکوس حل کردند. محلول با تنظیم کم تیز بود، محلول با تنظیم بالا ناهموار بود. هر دو به طور مساوی با داده ها مطابقت دارند. تصمیم این بود که چندمعنی را بپذیریم و هر دو مدل را در محاسبه مخزن لحاظ کنیم. قفل کردن در یک مدل خطر را پنهان می کند.
چهار قالب قابل کپی
1) مشاوره نصب راه حل معکوس:
نقش شما: متخصص معکوس. مشکل: [1D/2D/3D، روش: MT / لرزه ای / گرانش]. بد بودن راه حل معکوس را برای من توضیح دهید. چگونه تناسب داده ها و منظم سازی را متعادل کنم، با چه معیارهایی (منحنی L، اعتبارسنجی متقاطع) وزن تنظیم را انتخاب کنم؟ قدم به قدم بنویس
2) تأیید مدل جایگزین:
من مدل سازی رو به جلو را با یک مدل جایگزین هوش مصنوعی تسریع کردم. چگونه می توانم محدوده پارامتری را که در آن این پروکسی قابل اعتماد است تعیین کنم؟ چگونه نتیجه را با فیزیک واقعی تأیید کنم، چگونه منطقه ای را که پروکسی در آن منحرف می شود، ضبط کنم؟ پیشنهاد یک پروتکل احراز هویت
3) کاوش عدم قطعیت:
راه حل معکوس من یک الگوی واحد داد. چگونه می توانم از مدل های مختلف شروع، وزن های تنظیم متفاوت و نمونه گیری احتمالی برای معرفی عدم قطعیت استفاده کنم؟ چگونه نتیجه را بهجای «مدل واحد» بهعنوان «خانواده مدلها + فاصله اطمینان» گزارش کنم؟
4) تفکیک قطعنامه:
من میخواهم جدا کنم که کدام ناحیه از مدل وارونگی من توسط دادهها تعیین میشود و کدام ناحیه با پیشفرض/قاعدهسازی تعیین میشود. چگونه می توانم تجزیه و تحلیل حساسیت/رزولوشن را تنظیم کنم و مناطق با حساسیت کم را در گزارش علامت گذاری کنم؟
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
معکوس این داده ها را حل کنید و مدل زیرزمینی را ارائه دهید.
یک مدل منتظر است. این ابهام و ابهام را پنهان می کند و در نتیجه نتیجه ای واضح اما غیرقابل دفاع دارد.
اعلان قدرتمند:
نقش شما: متخصص معکوس. داده ها: [پروفایل گرانشی + چگالی 2 چاه]. وظیفه: (1) تولید یک مدل مرجع با ایجاد تعادل در تنظیم مناسب داده ها. (2) وزن تنظیم را تغییر دهید تا حداقل سه مدل جایگزین بدست آورید و نشان دهید که همه آنها با داده ها مطابقت دارند. (3) کدام ناحیه از هر مدل توسط داده ها و کدام با پیش فرض تعیین می شود. نتیجه را به عنوان یک مدل صحیح ارائه نکنید. با محدوده عدم قطعیت بدهید.
تقاضا برای مدلهای جایگزین، تناسب دادهها و تفکیک وضوح، راهحل معکوس را صادقانه میسازد.
رویکردهای وارونگی
رویکرد
سرعت
ریسک اصلی
تایید
کلاسیک تکراری
کند
حداقل محلی
شروع چندگانه
مدل جایگزین
بسیار سریع
انحراف خارج از محدوده
توسط فیزیک واقعی تایید شده است
مقدمه آموخته شده
سریع
تحمیل زمین شناسی
نقشه حساسیت
بیزی/احتمالی
متوسط
هزینه حساب
توزیع خلفی
اشتباهات رایج
- فکر کردن که تنها مدل واقعی است. راه حل معکوس بسیار منطقی است. جایگزین تولید کنید.
- اتخاذ کورکورانه مدل جایگزین. بدون تایید نتیجه با مدل سازی رو به جلو واقعی کار را تمام نکنید.
- زیر سوال بردن پیش فرض. فرض آموخته شده ممکن است ساختاری تولید کند که توسط داده ها پشتیبانی نمی شود.
- اشتباه گرفتن وضوح با دقت جزئیات به تصمیم تنظیم بستگی دارد.
- مخفی کردن رزولوشن مناطق با حساسیت کم را به عنوان اطلاعات واقعی ارائه نکنید.
به طور خلاصه
وارونگی مرحله گذار در ژئوفیزیک از داده به مدل است و ذاتاً یک مسئله بد و چند معنایی است. هوش مصنوعی مدلهای جایگزین بهطور چشمگیری این فرآیند را با پیشبینیهای آموختهشده و استنتاج مستقیم سرعت میبخشند. اما هر شتابی با خطر جدیدی همراه است: رانش خارج از محدوده، زمین شناسی تحمیلی، اطمینان اغراق آمیز. استفاده صحیح؛ تولید مدلهای جایگزین، تأیید با فیزیک واقعی، گزارش عدم قطعیت به عنوان توزیع، و جداسازی وضوح. خروجی راه حل معکوس یک حقیقت واحد نیست، بلکه یک خانواده از مدلهای محدود شده با اطمینان است.
وظیفه کاربردی
یک مسئله وارونگی (مقاومت 1 بعدی، مشخصات گرانشی و غیره) را انتخاب کنید. با الگوی «مشاوره راهاندازی راهحل معکوس» برای مبادله انطباق و تنظیم دادهها برنامهریزی کنید. سپس رویه ای برای تولید حداقل سه مدل جایگزین با الگوی "کاوش عدم قطعیت" و مقایسه آنها با تناسب با داده ها ایجاد کنید. بنویسید که چگونه می توانید تشخیص دهید که کدام ناحیه توسط داده ها و کدام منطقه توسط فرض تعیین می شود.
چک لیست
- [ ] من آگاهانه تعادل بین انطباق داده ها و منظم سازی را ایجاد کردم.
- [ ] من حداقل سه مدل جایگزین تولید کردم و تناسب آنها را با داده ها مقایسه کردم.
- [ ] من شتاب جایگزین / هوش مصنوعی را با فیزیک واقعی تأیید کردم.
- [ ] من جداسازی داده ها را با نقشه وضوح/حساسیت نشان دادم.
- [ ] من نتیجه را با محدوده عدم قطعیت گزارش کردم، نه یک مدل واحد.