求解贝叶斯反问题的弱神经变分推理，无需前向模型：应用于弹性成像
内容提要
本文探讨了利用深度生成模型和变分贝叶斯推理解决地震学中的非线性逆问题，提出了贝叶斯物理知识推断神经网络（B-PINN）和混合反向 PDE 网络（BiPDE 网络）等方法，以提高地下结构参数的估计精度和鲁棒性。这些方法在不同实验中表现出色，展示了深度学习与物理知识结合的潜力。
延伸解读
方法演进：从确定性到不确定性量化
文章梳理了地震学反问题中深度学习方法的演进脉络。早期工作（如2019年）主要利用深度神经网络进行确定性反演，而近期研究（如2023-2024年）则转向贝叶斯框架，通过变分推理和生成模型量化不确定性。这种转变使反演结果不仅提供参数估计，还能给出置信区间，对风险评估至关重要。
物理知识与数据驱动的融合策略
文章强调了将物理约束融入神经网络的重要性。例如，BiPDE网络结合偏微分方程数值算法与深度网络，B-PINN框架融合贝叶斯神经网络与物理知识，这些方法在数据稀缺或噪声较强时表现出更好的鲁棒性。这种融合既保留了物理规律的可解释性，又发挥了深度学习的拟合能力。
实际应用中的效率与数据需求
文章提到，基于变分推断的方法能够在少量实验数据下解决成像反问题，甚至无需标记训练数据集。例如，PI-INN和条件归一化流方法减少了对准确初始速度模型的依赖，并实现了实时推理。这些进展降低了数据采集成本，为实际地下成像提供了更高效的解决方案。
Q&A
贝叶斯物理知识推断神经网络（B-PINN）是什么？
B-PINN是一种结合贝叶斯神经网络和偏微分方程参数复合神经网络的框架，用于解决非线性问题并进行不确定性量化。
混合反向 PDE 网络（BiPDE 网络）有什么优势？
BiPDE 网络结合了深度神经网络与偏微分方程数值算法，能够有效解决大量数据中的未知字段问题，并展示了良好的噪声鲁棒性。
如何利用变分推理解决成像反问题？
通过基于少量实验数据和领域专业知识的变分推断方法，可以在最小数据收集下有效解决成像反问题。
深度生成模型在地震学中的应用是什么？
深度生成模型用于提供地下结构的先验分布，帮助解决全波形反演中的非线性逆问题，并考虑内在不确定性。
物理知识的可逆神经网络（PI-INN）如何提高后验概率分布的估计？
PI-INN通过结合INN和NB-Net两个子网络，并采用独立损失项，来提高后验概率分布的估计可行性。
如何量化迁移速度模型的不确定性？
采用变分推理和条件归一化流方法，可以量化迁移速度模型的不确定性，并减少对准确初始速度模型的依赖。
