摘要: 本貼給出 8 次討論式培訓的提綱, 每次培訓 1 小時.

1. Basic concepts

主動學習: 提問, 理解, 繼續追問. 通過不斷迭代, 逐步提升問題的質量, 加深理解.

• 1.1 Seismic exploration
  問 DeepSeek (下同): 為什么進行地震勘探?
  問: 地震勘探一般的深度是多少?

• 1.2 Sesmic data processing – regular process
  問: 如何進行地震數據處理?
  反過來思考: “什么是地震數據處理” 這個問題不太合適, 因為地震數據采集, 數據處理, 數據解釋是三個人為定義的步驟.
  地震數據處理有哪幾類方法?
  期待的答案是: 常規, 基于正演模擬, 深度學習三大類, 但 DS 給的分類方式不同.

• 1.3 Full waveform inversion
  問: 基于正演模擬的全波形反演是怎么做的? 有哪些具體的優勢與劣勢?

• 1.4 Deep learning-based full waveform inversion
  問: 深度全波形反演是怎么做的? 有哪些具體的優勢與劣勢?

2. Network structure

• 2.1 InversionNet
  Encoder-decorder structure
  為什么要進行編碼與解碼?
  機器與人類對事物的理解是不一樣的. 我們需要知道數據的本質, 需要對數據進行壓縮、表征.
  例: 兩個實數表示一個二維坐標點. 能不能用一個實數表示? 一般是不行的. 特殊情況呢, 例如在一條線上的坐標點.
  方法 1: 只記錄橫坐標即可.
  方法 2: 記錄該點到原點的距離. 原始基向量為 $(1,0)$ 和 (0, 1). 形成一組新的基向量: $(\sqrt{2}/2,\sqrt{2}/2)$, $(\sqrt{2}/2,?\sqrt{2}/2)$. 點 $(1,1)$在新的坐標系下變成 $(\sqrt{2},0)$.
  基向量是怎么來的? 可以觀察、學習獲得.

神經網絡試圖原始地震數據, 獲得它的內部表示 (可以看成一類壓縮), 解碼成速度模型. 卷積核就是學習出來的, 類似于基向量的東西.

學習 PCA, 理解降維.

• 2.2 FCNVMB
  UNet
• 2.3 DDNet
  Multi-task

3. Network components

• 3.1 Deformable convolution
• 3.2 Spatial attention module

4. Loss function

• 4.1 Pixel: L1 and L2
• 4.2 Boundary

5. Training

• 5.1 Curriculum learning
• 5.2 Transfer learning
• 5.3 Domain adaptation

6. Observation system

7. Problem statement

• 7.1 1D CMP based inversion
• 7.2 2D velocity inversion

8. Chellenges

• 8.1 Data distribution
  Transfer learning
• 8.2 Data size
  Too big
• 8.3 Dataset size
  Few field data
• 8.4 Interpretability
  PINN: Physics informed neural network