论文信息：Liu, L., Yang, B., & Zhang, Y. (2024). Inverting magnetotelluric data using a physics-guided auto-encoder with scaling laws extension. Frontiers in Earth Science, 12, 1510962. https://doi.org/10.3389/feart.2024.1510962

大地电磁（MT）反演本质上是强非线性、多解的逆问题，传统上依赖奥卡姆（Occam）等确定性与贝叶斯等随机方法反复迭代，计算代价高昂。神经网络（ANN）号称能在训练后"瞬时"出结果，却长期困于两大顽疾：拟合不准（恢复的模型无法贴合实测数据的反演误差（RMS））与不可复用（换个观察系统就得从头重训）。本文作者之一是本站博主张壹，这篇 Frontiers in Earth Science 论文正是针对这两个痛点而作——用一条**物理引导自编码器（PGAE）解决"物理一致性"，再用尺度定律（scaling laws）**解决"跨系统复用"，把 ANN 型 MT 反演从"实验室玩具"推向复杂真实环境。

为什么要动 ANN 的"物理一致性"与"泛化性"

MT 逆问题在地球物理中出了名的难缠：观测数据有限、噪声不可避免，加上模型固有的零空间，反演结果并不唯一（Backus & Gilbert, 1967; Parker, 1983）。传统做法要么走确定性路线（Tikhonov、Occam、NLCG、ModEM 等），要么走随机采样路线（Bayesian / trans-dimensional），无一例外需要频繁调用正演、反复迭代，代价高昂。

深度学习的兴起为 MT 反演带来了"训练一次、秒出结果"的希望。常规 ANN 反演大多走监督学习路线：先构造大量地电模型作为标签，正演算出对应的 MT 响应作为特征，再训练网络拟合数据→模型的映射。其问题也随之而来：其一，标签（地电模型）本身很难构造——要么融入测井、近地表地质等先验，要么依赖"模型应当平滑"这类人为约束；其二，即便训练好了，网络拟合的是统计关系而非法则，恢复出的模型常常无法真正匹配实测数据的差异；其三，这样的网络对观察系统极其敏感，频率范围一换，原来的网络就无法复用，只能推倒重训（Ling et al., 2023; Pan et al., 2024 等）。

正是这三点，让 ANN 反演在真实与复杂场景中举步维艰——本文要逐一破解。

方法：把正演物理"焊死"进网络，再借尺度定律"搬家"

**物理引导自编码器（PGAE）**的构思非常直白（图1）：自编码器本是编码器把输入映射到一个隐参数空间、解码器再从隐空间重建输入的"无标签"结构。本文做的关键改动是——把解码器直接替换成 MT 正演算子。这样一来：

  • 观测 MT 数据经过编码器输出一个地电模型（这就是我们想要的"反演结果"）；
  • 该模型再被正演算子算出预测数据，与观测数据比较；
  • 由于正演算子由电磁扩散方程等物理规律所支配，整个系统被称作"物理引导"，网络的输出天然物理自洽。

更重要的是，这样的框架无需标签（地电模型）即可训练，只需最小化数据拟合项与模型平滑正则项之和：数据拟合项对应传统反演的失配，正则项则保证预测模型的光滑性。损失函数可用 TensorFlow 的自动微分得到梯度，配合 Adam 优化器迭代更新网络参数。作者特意选了一个极简网络（单个隐藏层、500 个神经元）——因为本研究的重点是"泛化能力"而非"设计高性能网络"。训练集由解析正演的 31 层一维地电模型构成，25 个频率覆盖 10000–1 Hz，共 12 万个样本（其中 10 万训练、2 万评估），电阻率在对数域 0.1–100000 Ω·m 内均匀采样并做高斯平滑；在一张 12 GB 显存的 Tesla K80 上约 40 分钟完成训练。

PGAE框架图
图1　本文提出的物理引导自编码器（PGAE）框架（引自论文 Figure 1）

编码器把观测 MT 数据映射为地电模型，解码器被替换为 MT 正演算子，从模型正演出预测数据并与观测比较；损失由数据拟合项与模型平滑正则项组成。

真正让网络"可复用"的是尺度定律（scaling laws）。这原本是电磁物理模拟的经典理论（Ward, 1967）：只要真实系统与模型系统满足相同的感应数——即满足 σfl² = σ′f′l′²（本质上是让这两组标准化方程在同一参数下成立，见论文式 19）——就能用小尺寸模型去模拟大尺度的 MT 响应。本文把这套思想从物理模拟搬到数值反演：当我们对一个"音频 MT/某一带宽"训练好的网络，面对不同频率范围的真实数据时，不必重训，而是先把真实数据的频率按尺度因子变换到训练带宽内、用线性插值把采样点数凑到输入层神经元个数，喂给网络得到模型，再变换回原始尺度。由于 MT 视电阻率曲线平滑，插值几乎不损失精度。在塔里木算例中，作者把真实频率乘以 10000/515、电阻率乘以 10、模型尺度乘以 √515/100000，恰好满足式 19 的条件。当频率带宽只差一个数量级内时，这套"搬运工"策略行之有效。

主要结果：合成与实测都能"又快又准"

合成实验验证了 PGAE 的准确性与抗噪能力。作者用与训练同频率采样的大量一维合成数据做测试，并与经典 Occam 反演对比：在 5% 高斯噪声下，PGAE 与 Occam 恢复的模型相当、数据拟合良好。尽管训练数据刻意不含噪声，网络仍表现出惊人的抗噪能力——即使将高斯噪声水平分别提到 10%、20%、30%，PGAE 预测的模型与 Occam 反演结果依旧可比，说明其具备显著的噪声容忍度。

真实数据实验则把"复用"做到了实处。研究者选取塔里木盆地一条测线上由 Phoenix MTU-V5 系统采集的 11 个 MT 测点（2019 年夏季约 22 小时记录，EMTF 稳健处理）。相位张量分析显示浅部电阻率近似一维，适合做 1D 反演；数据含 41 个频率（515 Hz–0.0439 Hz），带宽与训练样本相近但频率取值不同——这正是施展尺度定律的场景。把频率与模型尺度做上述变换后，PGAE 反演结果与 Occam 方法相当（图2），两者数据拟合都非常出色。最亮眼的是效率：11 个测点 PGAE 预测全程仅需 0.113 秒，而 Occam 反演每点约需 5 秒——量级上的差距清晰可见。

真实数据反演结果
图2　塔里木盆地真实数据的反演结果（引自论文 Figure 11）

(A–K) 沿测线（SW–NE）各 MT 测点的一维反演结果。黑色为真实/参考结构，橙色为 PGAE，天蓝色为 Occam 反演，两者高度一致。

把 11 个测点的 1D 反演结果拼接成拟断面（pseudo-section），PGAE 与 Occam 呈现出高度一致的二维电性结构（图3），进一步印证了两者在空间形态上的吻合。

电阻率拟断面
图3　真实数据反演得到的电阻率拟断面（引自论文 Figure 13）

(A) PGAE 与 (B) Occam 反演得到的视电阻率拟断面，两者反映出一致的地下二维电性结构。

讨论：简单网络的底气与局限

作者从模型复杂度、网络架构、网络可复用性三方面做了冷静的审视。其一，地球地壳与地幔高度非均匀，模型天然复杂；深度监督网络纯数据驱动、缺乏物理根基，而 PGAE 把正演算子当解码器，既嵌入了具体逆问题背后的物理规律，又能无标签训练、并随时把先验约束放进训练阶段，从而更好地揭示复杂模型。其二，网络架构并非本文重点——作者坦言没有任何数学法则能决定最优架构，试错是唯一现实路径，而简单网络已足以胜任 1D MT 问题。其三，复用性正是本文的卖点：对 1D MT，变换只涉及频率范围，尺度定律能让已训练网络在带宽相近的新场景直接上线；但如果新应用的频带跨度差出数个量级，网络仍会失效，需要为不同频带分别训练网络。至于 2D/3D，观察系统更复杂——测点位置会显著改变数据特征，不同测点组的数据不能直接套用，作者提出可用**压缩感知（compressed sensing）**一类手段做测点间的数据重建，这是未来 ANN 型 MT 反演必须攻克的关卡。

结语与展望

这项工作把物理引导自编码器 + 尺度定律这对组合用于 1D MT 反演：PGAE 通过把正演物理嵌入网络、以数据拟合为目标，解决了"拟合不准"；尺度定律通过把真实观测系统变换到训练带宽、以频率插值补齐采样，解决了"跨系统不可复用"。合成与塔里木实测都证明，它能在保持与经典 Occam 方法相当精度与抗噪能力的同时，把反演速度提升数个量级。需要坦白的是，1D 只是起点，ANN 反演要真正进入工业级 MT 软件，仍需在模型复杂度适应与观察系统泛化上继续突破，而把真实与合成数据都纳入训练集、并在更高维度上解决测点间数据重建，都是明确的前进方向。

延伸阅读与引用

  • Constable, S. C., Parker, R. L., & Constable, C. G. (1987). Occam’s inversion: a practical algorithm for generating smooth models from electromagnetic sounding data. Geophysics, 52, 289–300. https://doi.org/10.1190/1.1442303
  • Liu, L., Yang, B., Zhang, Y., Xu, Y., Peng, Z., & Yang, D. (2024). Calculating sensitivity or gradient for geophysical inverse problems using automatic and implicit differentiation. Computers & Geosciences, 193, 105736.
  • Pan, K., Ling, W., Zhang, J., Zhong, X., Ren, Z., Hu, S., et al. (2024). MT2DInv-Unet: a 2D magnetotelluric inversion method based on deep-learning technology. Geophysics, 89, G13–G27.
  • Ward, S. H. (1967). Part C: the electromagnetic method. In Mining Geophysics Vol. II, Theory. Society of Exploration Geophysicists. doi:10.1190/1.9781560802716.ch2c
  • 论文代码：https://github.com/Geo-LianLiu/MTPGAE

本文为对该论文的中文解读，图片均引自论文原文。