Keuntungan:
- Fahami sifat penyongsangan yang tidak baik dan polisemi dan keseimbangan antara kesesuaian data dan penyusunan semula.
- Keupayaan untuk mengesahkan pecutan AI (model pengganti, dipelajari sebelum ini) dengan pemodelan hadapan sebenar dan mengiktiraf geologi yang dikenakan
- Keupayaan untuk melaporkan keputusan sebagai pengedaran ketidakpastian dan bukannya model tunggal dan menunjukkan resolusi/kepekaan dan pemisahan data-premis
Soalan paling mendalam dalam geofizik ialah: model bawah permukaan apakah yang menghasilkan data yang saya ukur di permukaan? Menjawab soalan ini dipanggil penyongsangan. Walaupun pemodelan hadapan mengira data yang dijangka daripada model bawah permukaan yang diketahui, pemodelan songsang melakukan sebaliknya: ia menganggarkan model bawah permukaan daripada data yang diperhatikan. Dalam unit ini, anda akan mempelajari cara kecerdasan buatan (AI) mempercepatkan penyongsangan, mengambil beberapa saat berbanding jam dengan model pengganti; tetapi kita akan melihat mengapa output AI tidak boleh dibaca sebagai "satu model sebenar" kerana polisemi yang wujud dan kekaburan penyongsangan.
Ketegangan asas penyelesaian songsang
Penyongsangan bukan masalah jinak; Ia adalah masalah yang tidak baik: ia mungkin tiada penyelesaian, mungkin terdapat lebih daripada satu, atau bunyi kecil dalam data boleh menyebabkan perubahan besar dalam model. Oleh itu, penyongsangan mengimbangi dua daya: ketidaksesuaian data (seberapa dekat data yang dihasilkan oleh model dengan data yang diperhatikan) dan penyelarasan (menambah kekangan "kebolehpercayaan" pada model, cth. kelancaran atau kedekatan dengan model rujukan). Pemasangan data yang terlalu banyak juga memperkenalkan bunyi ke dalam model; terlalu banyak regularization memadamkan struktur sebenar. Tetapan baki ini (mis. lambda berat penyelarasan) mempengaruhi keseluruhan tafsiran.
Bagaimanakah AI mempercepatkan penyongsangan?
Penyongsangan klasik mengemas kini model secara berulang dengan menjalankan pemodelan ke hadapan ratusan hingga beribu-ribu kali; Dalam penyongsangan elektromagnet 3D atau gelombang penuh ini boleh mengambil masa berjam-jam hingga berhari-hari. AI memecut dalam tiga cara:
- Model pengganti (pengganti/emulator): Memendekkan kitaran dengan menganggarkan pengiraan ke hadapan yang berat dengan rangkaian saraf pra-latihan yang pantas.
- Dipelajari sebelum ini: Menggunakan kekangan "kebolehpercayaan" yang dipelajari daripada model geologi realistik dan bukannya regularisasi.
- Inferens langsung (hujung ke hujung): Ramalan segera dengan rangkaian yang mempelajari pemetaan langsung daripada data ke model (mis. dalam beberapa penyongsangan 1D).
Masing-masing menambah kelajuan, tetapi masing-masing memperkenalkan risiko baharu: model pengganti akan tersilap di luar julat latihan; terdahulu yang dipelajari boleh mengenakan geologi set latihan pada data (menghasilkan struktur yang tidak wujud sebagai "boleh masuk akal"); inferens langsung boleh melebihkan keyakinannya.
Petua: Sebelum menerima hasil penyongsangan dipercepatkan AI, letakkan model yang terhasil melalui pemodelan hadapan (fizikal) sebenar dan bandingkan data yang dihasilkannya dengan data yang diperhatikan. Jika penyelesaian yang dikatakan model pengganti "sesuai" tidak memegang data yang diperhatikan dalam fizik sebenar, penyelesaian itu tidak sah.
Mengukur ketidakpastian: pengedaran, bukan model tunggal
Keluaran penyongsangan yang baik bukanlah satu model, tetapi satu keluarga model yang mungkin. Cara untuk mengukur ketidakpastian: berbilang larian dengan model permulaan yang berbeza, pemberat regularisasi yang berbeza dan pendekatan kebarangkalian (cth. Penyongsangan Bayesian — pendekatan yang memberikan hasil sebagai taburan kebarangkalian; taburan posterior). AI boleh mempercepatkan pensampelan pengedaran ini (mis., menjana sejumlah besar model yang mungkin). Matlamatnya bukan untuk mengatakan "bawah tanah adalah seperti ini", tetapi "bawah tanah adalah seperti ini dalam julat ini dan di kawasan ini dengan keyakinan ini".
Awas: Lebih "tajam dan terperinci" peta penyongsangan kelihatan, lebih bergantung pada keputusan dan premis penyusunan semula. Ketajaman bukan ketepatan. Bezakan kawasan model mana yang ditentukan oleh data dan yang mana oleh pendahuluan/penyaturan (analisis resolusi).
Resolusi dan sensitiviti
Tidak setiap sel bagi setiap model penyongsangan sama-sama boleh dipercayai. Kepekaan ialah seberapa responsif data terhadap kawasan model tersebut; Kawasan yang data tidak dapat "lihat" (kepekaan rendah) diisi sepenuhnya oleh premis dan tidak membawa maklumat sebenar. AI boleh mengaburkan perbezaan ini sambil menghasilkan penyelesaian pantas. Oleh itu, peta resolusi/sensitiviti mesti disertakan bersebelahan dengan model yang dihasilkan.
tiga kes mini
Kes 1 — Dari jam ke saat. Dalam projek magnetotelurik (MT — kaedah mengukur kerintangan bawah tanah dengan medan elektromagnet semula jadi), larian penyongsangan 3D mengambil masa 9 jam. Pasukan itu menggantikan akaun hadapan dengan rangkaian proksi, mengurangkan pengimbasan senario kepada minit. Tetapi mereka menjalankan semula model terakhir dengan fizik sebenar dan mengesahkan kesesuaian data; Mereka secara manual membetulkan kawasan dalam yang proksinya dimatikan sebanyak 3%.
Kes 2 - Geologi yang dikenakan. Premis yang dipelajari daripada lembangan batu pasir telah digunakan dalam medan karbonat, dan penyongsangan menghasilkan struktur berlapis licin, walaupun data tidak menyokongnya. Peta sentimen menunjukkan bahawa struktur ini betul-betul berada di kawasan dalam yang tidak dapat dilihat oleh data: struktur datang daripada premis, bukan data. Apabila premis diubah, model itu menjadi realistik.
Kes 3 — Kekeliruan ketajaman. Dua pasukan menyelesaikan terbalik data graviti yang sama. Penyelesaian dengan regularization rendah keluar tajam, penyelesaian dengan regularization tinggi keluar bergerigi; Kedua-duanya sesuai dengan data yang sama. Keputusannya adalah untuk menerima polisemi dan memasukkan kedua-dua model dalam pengiraan takungan; Mengunci dalam satu model akan menyembunyikan risiko.
Empat templat yang boleh disalin
1) Perundingan pemasangan penyelesaian terbalik:
Peranan anda: pakar pembalikan. Masalah: [1D/2D/3D, kaedah: MT /seismik / graviti]. Terangkan kepada saya keburukan penyelesaian songsang; Bagaimanakah saya mengimbangi kesesuaian data dan penyelarasan, mengikut kriteria (lengkung-L, pengesahan silang) saya memilih berat penyelarasan? Tulis langkah demi langkah.
2) Pengesahan model pengganti:
Saya mempercepatkan pemodelan hadapan dengan model pengganti AI. Bagaimanakah saya boleh menentukan julat parameter di mana proksi ini boleh dipercayai? Bagaimanakah saya mengesahkan keputusan dengan fizik sebenar, bagaimana saya menangkap rantau di mana proksi menyimpang? Cadangkan protokol pengesahan.
3) Penerokaan ketidakpastian:
Penyelesaian songsang saya memberikan satu corak. Bagaimanakah cara saya menggunakan model permulaan yang berbeza, pemberat regularisasi yang berbeza dan pensampelan kebarangkalian untuk memperkenalkan ketidakpastian? Bagaimanakah saya melaporkan keputusan sebagai "keluarga model + selang keyakinan" dan bukannya "model tunggal"?
4) Pemisahan resolusi:
Saya ingin memisahkan kawasan mana model penyongsangan saya ditentukan oleh data dan yang ditentukan oleh premis/penyaturan. Bagaimanakah cara saya menyediakan analisis sensitiviti/peleraian dan menandakan kawasan sensitiviti rendah dalam laporan?
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Balikkan selesaikan data ini dan berikan model bawah tanah.
Satu model menunggu; Ia menyembunyikan kekaburan dan kekaburan, menghasilkan kesimpulan yang jelas tetapi tidak boleh dipertahankan.
Gesaan kuat:
Peranan anda: pakar pembalikan. Data: [profil graviti + 2 ketumpatan telaga]. Tugas: (1) menghasilkan model rujukan dengan mengimbangi penyesuaian-penyesuaian data; (2) mengubah berat penyelarasan untuk memperoleh sekurang-kurangnya tiga model alternatif dan menunjukkan bahawa semuanya sesuai dengan data; (3) rantau mana bagi setiap model ditentukan oleh data dan yang mana oleh premis. Jangan tunjukkan hasilnya sebagai satu model yang betul; Beri dengan julat ketidakpastian.
Permintaan untuk model alternatif, kesesuaian data dan pemisahan resolusi menjadikan penyelesaian songsang itu jujur.
Pendekatan penyongsangan
Pendekatan
kelajuan
Risiko utama
pengesahan
Lelaran klasik
lambat
minimum tempatan
berbilang permulaan
model pengganti
sangat pantas
sisihan luar julat
Disahkan oleh fizik sebenar
premis yang dipelajari
cepat
pengenaan geologi
Peta sensitiviti
Bayesian/kebarangkalian
sederhana
Kos akaun
Pengedaran posterior
Kesilapan biasa
- Berfikir bahawa satu-satunya model adalah nyata. Penyelesaian songsang sangat masuk akal; Menjana alternatif.
- Menggunakan model pengganti secara membabi buta. Jangan selesai tanpa mengesahkan hasilnya dengan pemodelan hadapan sebenar.
- Tidak mempersoalkan premis. Premis yang dipelajari mungkin menghasilkan struktur yang tidak disokong oleh data.
- Tersalah ketajaman untuk ketepatan. Butirannya bergantung pada keputusan regularisasi.
- Menyembunyikan resolusi. Jangan tunjukkan kawasan sensitiviti rendah sebagai maklumat fakta.
Secara ringkasnya
Penyongsangan ialah langkah peralihan dalam geofizik daripada data ke model, dan sememangnya merupakan masalah polisemi yang tidak baik. AI; Model pengganti secara mendadak mempercepatkan proses ini dengan pendahuluan yang dipelajari dan inferens langsung. Tetapi setiap pecutan membawa risiko baharu: hanyut di luar julat, geologi yang dikenakan, keyakinan yang berlebihan. Penggunaan yang betul; menjana model alternatif, mengesahkan dengan fizik sebenar, melaporkan ketidakpastian sebagai pengedaran, dan mengasingkan resolusi. Keluaran penyelesaian songsang bukanlah kebenaran tunggal tetapi keluarga model terikat dengan yakin.
Tugasan permohonan
Pilih masalah penyongsangan (rintangan 1D, profil graviti, dsb.). Rancang untuk pertukaran pematuhan-penyaturan data dengan templat "Perundingan persediaan penyelesaian pembalikan". Kemudian buat prosedur untuk menjana sekurang-kurangnya tiga model alternatif dengan templat "Penjelajahan ketidakpastian" dan membandingkannya dengan kesesuaian dengan data. Tulis bagaimana anda akan membezakan rantau mana yang ditentukan oleh data dan yang ditentukan oleh premis.
senarai semak
- [ ] Saya secara sedar mencapai keseimbangan antara pematuhan data dan penyelarasan.
- [ ] Saya menghasilkan sekurang-kurangnya tiga model alternatif dan membandingkan kesesuaiannya dengan data.
- [ ] Saya mengesahkan pecutan Surrogate/AI dengan fizik sebenar.
- [ ] Saya menunjukkan pemisahan premis data dengan peta resolusi/sensitiviti.
- [ ] Saya melaporkan hasilnya dengan julat ketidakpastian, bukan satu model.