本文研究了在深度学习框架中引入伪谱方法以改进全波形反演(FWI)的可能性，解决了在复杂环境下传统反演方法的局限性。通过将伪谱FWI问题重新表述为深度学习算法，提出了一种新颖的递归神经网络(RNN)框架，实验证明该方法在准确性和稳定性上优于经典FWI，具有更好的故障识别能力和低频内容。

本研究探讨了深度学习与全波形反演结合的潜力，以解决地震成像与地下特征表征中的数据质量和模型复杂性问题。通过提出混合、生成和物理指导模型，研究显示这种协同方法能显著提高地下属性估计的准确性、效率和可靠性，对地球物理学领域产生变革性影响。

本文探讨了基于旋转位置嵌入（RoPE）的变压器架构的表达能力，发现其复杂性界限更为紧凑。尽管RoPE在实际应用中表现良好，但仍存在基本限制，为后续研究提供了理论指导。