Test d’une approche d’apprentissage automatique de l’inversion géophysique

Le radar pénétrant dans le sol, illustré ci-dessus, est une source d’observations pour laquelle l’inversion géophysique est utilisée. Crédit : Traité d’interdiction complète des essais nucléaires, CC BY 2.0

Un problème courant dans les géosciences est la nécessité de déduire une structure physique invisible à partir d’observations limitées. Par exemple, une observation radar pénétrant dans le sol tente de déduire la structure souterraine sans aucune mesure in situ. Cette classe de problèmes est appelée inversion, dans laquelle un modèle physique supposé est ajusté à plusieurs reprises jusqu’à ce qu’il soit cohérent avec les observations.

Les résultats de l’inversion peuvent être fortement affectés par le choix des modèles, qui agit comme un a priori bayésien. Et parce que les modèles sont généralement moins complexes que le monde physique, le processus peut également aboutir à une solution trop simplifiée. Pour lutter contre ces difficultés, il est courant d’ajouter à un modèle théorique des instances connues du monde réel, telles que des preuves recueillies à partir d’affleurements ou de forages. Cette combinaison peut entraîner un certain nombre de permutations de modèles pour fournir une diversité plus réaliste pour le prior.

Des avancées récentes dans cette approche ont été réalisées sur la base de techniques d’apprentissage automatique. Les réseaux de neurones convolutifs similaires à ceux utilisés en vision par ordinateur se sont avérés efficaces pour intégrer de nombreux échantillons d’apprentissage afin de produire des priors plus nuancés avec une résolution spatiale accrue. Lopez-Alvis et al. examiner une telle approche de réseau de neurones : l’auto-encodeur variationnel (VAE).

Les auto-encodeurs variationnels sont capables de plus que simplement “régurgiter” les données d’entraînement passées. Ils peuvent générer de nouveaux échantillons cohérents, mais non identiques, avec les types de motifs observés dans les images d’entrée. Les auteurs testent cette capacité en comparant les VAE formés à l’aide d’images d’entrée individuelles avec ceux formés sur des ensembles d’images à travers des données d’observation synthétiques et réelles.

L’un des principaux résultats de l’étude est que les VAE formés à l’aide de collections d’images semblent plus performants que ceux basés sur une seule entrée. En fait, le VAE combiné fonctionne presque aussi bien que la meilleure image d’entraînement pour les données synthétiques et de terrain. Ainsi, plutôt que de rechercher le modèle “bon match” en effectuant de nombreuses inversions avec différentes entrées, il est nettement plus efficace de combiner les entrées d’entraînement en un seul VAE et d’effectuer une seule inversion.

Cette étude est publiée dans le Journal of Geophysical Research: Solid Earth.


En matière d’IA, pouvons-nous abandonner les ensembles de données ?


Plus d’information:
J. Lopez ‐ Alvis et al, Inversion géophysique à l’aide d’un auto-encodeur variationnel pour modéliser une incertitude a priori spatiale assemblée, Journal of Geophysical Research: Solid Earth (2022). DOI : 10.1029 / 2021JB022581

Fourni par American Geophysical Union

Cette histoire est republiée avec l’aimable autorisation d’Eos, hébergée par l’American Geophysical Union. Lisez l’histoire originale ici.

Citation: Testing a machine learning approach to geophysical inversion (1er avril 2022) récupéré le 1er avril 2022 sur https://phys.org/news/2022-04-machine-approach-geophysical-inversion.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.

Leave a Comment