.png){kind=icon}
.png){kind=icon}
返回
Efficient Bayesian inference through self-supervised active learning
.png){kind=icon}
OA
AI
DOI：10.1093/gji/ggag269.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们开发了一种基于物理指导的深度学习框架用于地球物理反演，该框架通过引入马尔可夫链蒙特卡罗（MCMC）采样来评估与目标模型参数相关的不确定性。为提高计算效率，采用了一种统计采样方法以减少所需样本数量，同时确保训练数据保持多样性和信息量。随着反演的迭代进行，训练数据集通过随机采样器的输出及其对应的正演响应进行动态扩展。采用了一种监督式深度学习模型，其中采用Jensen-Shannon散度作为损失函数，并应用高斯假设进行解析计算。我们对该工作流进行了地震速度模型反演测试，成功捕捉了地质特征和速度分布，结果与参考模型高度吻合。与应用于整个数据立方体的MCMC采样器相比，所提出的工作流计算效率更高，因为通过主动学习范式选择了少量数据。该工作流具有强泛化性和有效性，适用于其他多种反演应用。