Faida:
- Elewa hali mbaya na ya aina nyingi ya ubadilishaji na usawa kati ya usawa wa data na urekebishaji.
- Uwezo wa kudhibitisha kuongeza kasi ya AI (mfano mbadala, uliojifunza hapo awali) na uundaji wa kweli wa mbele na kutambua jiolojia iliyowekwa.
- Uwezo wa kuripoti matokeo kama usambazaji wa kutokuwa na uhakika badala ya mfano mmoja na kuonyesha azimio / unyeti na mgawanyiko wa msingi wa data.
Swali la kina zaidi katika jiografia ni: ni mfano gani wa chini ya ardhi hutoa data ninayopima kwenye uso? Kujibu swali hili inaitwa inversion. Ingawa uundaji wa mbele hukokotoa data inayotarajiwa kutoka kwa muundo wa uso chini unaojulikana, uundaji wa kinyume hufanya kinyume: hukadiria muundo wa uso chini kutoka kwa data inayozingatiwa. Katika kitengo hiki, utajifunza jinsi akili ya bandia (AI) inavyoharakisha ugeuzaji, kuchukua sekunde badala ya saa na mifano mbadala; lakini tutaona kwa nini pato la AI haliwezi kamwe kusomwa kama "mfano mmoja wa kweli" kwa sababu ya polisemia asilia na utata wa ubadilishaji.
Mvutano wa kimsingi wa suluhisho la inverse
Inversion si tatizo benign; Ni shida iliyosababishwa: inaweza kuwa haina suluhisho, kunaweza kuwa na zaidi ya moja, au kelele ndogo katika data inaweza kusababisha mabadiliko makubwa katika mfano. Kwa hivyo, ubadilishaji husawazisha nguvu mbili: kutofaulu kwa data (jinsi data inayotolewa na modeli iko karibu na data inayozingatiwa) na urekebishaji (kuongeza kizuizi cha "usahihi" kwa mfano, kwa mfano, ulaini au ukaribu na muundo wa marejeleo). Uwekaji data mwingi pia huleta kelele kwenye modeli; urekebishaji mwingi sana hufuta muundo halisi. Mpangilio wa salio hili (k.m. uzani wa kuhalalisha lambda) huathiri tafsiri nzima.
Je, AI inaharakishaje ubadilishaji?
Ugeuzaji wa kawaida husasisha muundo mara kwa mara kwa kuendeleza uundaji wa mamia hadi maelfu ya mara; Katika ugeuzi wa sumakuumeme ya 3D au ugeuzaji kamili wa mawimbi hii inaweza kuchukua saa hadi siku. AI huharakisha kwa njia tatu:
- Muundo mbadala (mrithi/emulator): Kufupisha mzunguko kwa kukadiria hesabu nzito ya mbele kwa mtandao wa neva uliofunzwa mapema.
- Iliyojifunza hapo awali: Kutumia kizuizi cha "usahihi" kilichojifunza kutoka kwa mifano halisi ya kijiolojia badala ya kuhalalisha.
- Maoni ya moja kwa moja (mwisho-hadi-mwisho): Utabiri wa papo hapo na mitandao inayojifunza ramani ya moja kwa moja kutoka kwa data hadi modeli (k.m. katika baadhi ya ubadilishaji wa 1D).
Kila moja inaongeza kasi, lakini kila moja inaleta hatari mpya: mtindo mbadala utakosea nje ya safu ya mafunzo; yaliyojifunza hapo awali yanaweza kulazimisha jiolojia ya mafunzo yaliyowekwa kwenye data (kutoa muundo ambao haupo kama "unaowezekana"); makisio ya moja kwa moja yanaweza kukadiria imani yake kupita kiasi.
Kidokezo: Kabla ya kukubali matokeo ya ubadilishaji ulioharakishwa wa AI, weka muundo unaotokana na uundaji halisi (wa kimwili) na ulinganishe data inayotoa na data iliyozingatiwa. Ikiwa suluhisho ambalo modeli ya mbadala inasema "inafaa" haishiki data inayozingatiwa katika fizikia halisi, suluhisho hilo ni batili.
Kupima kutokuwa na uhakika: usambazaji, sio muundo mmoja
Pato la inversion nzuri sio mfano mmoja, lakini familia ya mifano inayowezekana. Njia za kupima kutokuwa na uhakika: kukimbia nyingi kwa miundo tofauti ya kuanzia, uzani tofauti wa urekebishaji, na mbinu za uwezekano (k.m. ubadilishaji wa Bayesian - mbinu ambayo hutoa matokeo kama usambazaji wa uwezekano; usambazaji wa nyuma). AI inaweza kuharakisha sampuli ya usambazaji huu (kwa mfano, kutoa idadi kubwa ya mifano inayowezekana). Lengo sio kusema "chini ya ardhi ni kama hii", lakini "chini ya ardhi iko hivi katika safu hii na katika mikoa hii kwa ujasiri huu".
Tahadhari: Kadiri ramani ya ugeuzaji inavyoonekana "iliyo mkali na ya kina", ndivyo inavyoweza kutegemea zaidi uamuzi na msingi wa urekebishaji. Ukali sio usahihi. Tofautisha ni eneo gani la modeli limebainishwa na data na lipi kwa utaratibu wa awali/udhibiti (uchambuzi wa azimio).
Azimio na unyeti
Sio kila seli ya kila modeli ya ubadilishaji inategemewa sawa. Usikivu ni jinsi data inavyoitikia kwa eneo hilo la modeli; Mikoa ambayo data haiwezi "kuona" (unyeti mdogo) imejazwa kabisa na Nguzo na haibeba taarifa halisi. AI inaweza kuficha tofauti hii huku ikitoa masuluhisho ya haraka. Kwa hivyo, ramani ya azimio/unyeti lazima iingizwe kando ya modeli inayotokana.
kesi tatu ndogo
Kesi 1 - Kutoka masaa hadi sekunde. Katika mradi wa magnetotelluric (MT - wa kupima upinzani wa chini ya ardhi kwa uga wa asili wa sumakuumeme), mwendo wa ubadilishaji wa 3D ulichukua saa 9. Timu ilibadilisha akaunti ya mbele na kuweka mtandao wa seva mbadala, hivyo basi kupunguza hali ya kuchanganua hadi dakika. Lakini waliendesha tena mfano wa mwisho na fizikia halisi na data iliyothibitishwa; Walisahihisha kwa mikono eneo la kina ambapo proksi ilikuwa imezimwa kwa 3%.
Kesi 2 - Jiolojia iliyowekwa. Nguzo iliyojifunza kutoka kwa mabonde ya mchanga ilitumika katika uwanja wa kaboni, na ubadilishaji ulitoa muundo wa tabaka laini, ingawa data haikuunga mkono. Ramani ya maoni ilionyesha kuwa muundo huu ulikuwa katika eneo la kina ambapo data haikuweza kuona: muundo ulitoka kwa msingi, sio data. Nguzo ilipobadilishwa, mtindo huo ukawa wa kweli.
Kesi ya 3 - Uongo wa ukali. Timu mbili zilisuluhisha data sawa ya mvuto. Suluhisho lililo na utaratibu wa chini lilitoka kwa kasi, suluhisho na utaratibu wa hali ya juu lilitoka kwa jagged; Zote mbili zinafaa data kwa usawa. Uamuzi ulikuwa kukubali polisemia na kujumuisha mifano yote miwili kwenye hesabu ya hifadhi; Kufungia kwa mtindo mmoja kungeficha hatari.
Violezo vinne vinavyoweza kunakiliwa
1) Ushauri wa usakinishaji wa ubadilishaji wa suluhisho:
Jukumu lako: mtaalamu wa kubadilisha. Tatizo: [1D/2D/3D, mbinu: MT / seismic / mvuto]. Nifafanulie hali mbaya ya suluhisho la kinyume; Je, ninawezaje kusawazisha usawazishaji wa data na urekebishaji, kwa vigezo vipi (L-curve, uthibitisho mtambuka) ninachagua uzani wa kuhalalisha? Andika hatua kwa hatua.
2) Uthibitishaji wa mfano mbadala:
Niliharakisha uundaji wa mbele na kielelezo cha mbadala cha AI. Je, ninawezaje kutambua masafa ya kigezo ambamo proksi hii inategemewa? Ninathibitishaje matokeo na fizikia halisi, ninawezaje kukamata eneo ambalo proksi inapotoka? Pendekeza itifaki ya uthibitishaji.
3) Uchunguzi wa kutokuwa na uhakika:
Suluhisho langu la kinyume lilitoa muundo mmoja. Ninawezaje kutumia mifano tofauti ya kuanzia, uzani tofauti wa urekebishaji, na sampuli za uwezekano ili kuanzisha kutokuwa na uhakika? Je, ninaripotije matokeo kama "familia ya mifano + muda wa kujiamini" badala ya "mfano mmoja"?
4) mgawanyiko wa azimio:
Ninataka kutenganisha ni eneo gani la modeli yangu ya ubadilishaji imedhamiriwa na data na ambayo imedhamiriwa na msingi/udhibiti. Je, ninawezaje kuweka uchanganuzi wa unyeti/azimio na kuashiria maeneo yenye unyeti mdogo katika ripoti?
Mwongozo dhaifu / Mwongozo thabiti
Agizo dhaifu:
Badilisha nyuma kutatua data hii na upe mfano wa chinichini.
Mfano mmoja unasubiri; Inaficha utata na utata, na kusababisha hitimisho kali lakini lisilokubalika.
Agizo lenye nguvu:
Jukumu lako: mtaalamu wa kubadilisha. Data: [wasifu wa mvuto + 2 wiani wa kisima]. Kazi: (1) toa muundo wa marejeleo kwa kusawazisha usawazishaji wa data; (2) kubadilisha uzito wa urekebishaji ili kupata angalau miundo mitatu mbadala na kuonyesha kwamba zote zinalingana na data; (3) ni eneo gani la kila modeli limebainishwa na data na lipi kwa msingi. Usionyeshe matokeo kama mfano mmoja sahihi; Toa kwa masafa ya kutokuwa na uhakika.
Mahitaji ya miundo mbadala, kufaa kwa data, na utenganisho wa azimio hufanya suluhu kinyume kuwa aminifu.
Mbinu za ubadilishaji
Mbinu
kasi
Hatari kuu
uthibitishaji
Marudio ya kawaida
polepole
kima cha chini cha ndani
kuanza nyingi
mfano mbadala
haraka sana
kupotoka nje ya safu
Imethibitishwa na fizikia halisi
dhana ya kujifunza
haraka
kuanzishwa kwa jiolojia
Ramani ya hisia
Bayesian/probabilistic
kati
Gharama ya akaunti
Usambazaji wa nyuma
Makosa ya kawaida
- Kufikiri kwamba mfano pekee ni halisi. Suluhisho la inverse lina maana sana; Tengeneza njia mbadala.
- Kupitisha kwa upofu mfano wa mbadala. Usimalize bila kuthibitisha matokeo na uundaji halisi wa mbele.
- Bila kuhoji msingi. Msingi uliojifunza unaweza kutoa muundo ambao hauauniwi na data.
- Kukosea ukali kwa usahihi. Maelezo inategemea uamuzi wa kuhalalisha.
- Kuficha azimio. Usionyeshe maeneo yenye unyeti mdogo kama habari ya kweli.
Kwa muhtasari
Ugeuzaji ni hatua ya mpito katika jiofizikia kutoka kwa data hadi modeli, na kwa asili ni shida isiyofaa, ya polysemous. AI; Miundo mbadala huharakisha sana mchakato huu kwa vipaumbele vya kujifunza na uelekezaji wa moja kwa moja. Lakini kila uongezaji kasi hubeba hatari mpya: kuteleza nje ya masafa, jiolojia iliyowekwa, kujiamini kupita kiasi. Matumizi sahihi; kuzalisha miundo mbadala, kuthibitisha kwa fizikia halisi, kuripoti kutokuwa na uhakika kama usambazaji, na azimio la kutenganisha. Matokeo ya suluhu kinyume si ukweli mmoja bali ni familia ya mifano iliyo na mipaka kwa ujasiri.
Jukumu la maombi
Chagua tatizo la inversion (upinzani wa 1D, wasifu wa mvuto, nk). Panga mabadilishano ya utiifu wa data na kiolezo cha "Mashauriano ya usanidi wa Usuluhishi". Kisha unda utaratibu wa kuzalisha angalau miundo mitatu mbadala kwa kiolezo cha "Uchunguzi wa Kutokuwa na uhakika" na uilinganishe na inafaa kwa data. Andika jinsi unavyoweza kutofautisha ni eneo gani linalobainishwa na data na lipi limebainishwa na msingi.
orodha ya ukaguzi
- [ ] Niliweka usawa kati ya kufuata data na kuhalalisha kwa uangalifu.
- [ ] Nilitoa angalau miundo mbadala mitatu na kulinganisha kufaa kwao na data.
- [ ] Nilithibitisha kuongeza kasi ya Surrogate/AI kwa kutumia fizikia halisi.
- [ ] Nilionyesha utenganisho wa msingi wa data na ramani ya azimio/unyeti.
- [ ] Niliripoti matokeo na safu ya kutokuwa na uhakika, sio mfano mmoja.