神经网络

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： ...