导读 地球科学中的一个常见问题是需要根据有限的观察来推断看不见的物理结构。例如，探地雷达观测试图在没有任何现场测量的情况下推断地下结构。...

地球科学中的一个常见问题是需要根据有限的观察来推断看不见的物理结构。例如，探地雷达观测试图在没有任何现场测量的情况下推断地下结构。这类问题称为反演，其中假设的物理模型被反复调整，直到它与观察结果一致。

反演的结果可能会受到模型选择的严重影响，该模型作为贝叶斯先验。而且由于模型通常不如物理世界复杂，因此该过程也可能导致解决方案过于简单。为了克服这些困难，通常使用已知的现实世界实例来扩充理论模型，例如从露头或钻孔中收集的证据。这种组合可以产生许多模型排列，从而为先验提供更真实的多样性。

这种方法的最新进展是在机器学习技术的基础上实现的。类似于计算机视觉中使用的卷积神经网络已被证明成功地整合了许多训练样本，以产生更细微的先验，并提高了空间分辨率。洛佩兹-阿尔维斯等人。检查一种这样的神经网络方法：变分自动编码器(VAE)。

变分自编码器不仅仅能够“反刍”过去的训练数据。它们可以生成与输入图像中观察到的模式类型一致但不完全相同的新样本。作者通过比较使用单个输入图像训练的 VAE 与基于合成和真实观察数据的图像集训练的 VAE 来测试这种能力。

该研究的一个关键结果是，使用图像集合训练的 VAE 似乎比仅基于单个输入的 VAE 表现更好。事实上，对于合成数据和现场数据，组合 VAE 的性能几乎与单个最佳训练图像一样好。因此，与其通过对不同输入执行多次反演来搜索“正确匹配”模型，不如将训练输入组合到一个 VAE 中并仅执行一次反演效率更高。

这项研究发表在《地球物理研究杂志：固体地球》上。