周报：Fourier-DeepONet论文学习

一、核心问题与动机

关键问题：传统数据驱动FWI方法在震源参数变化时泛化能力差，且对噪声和缺失数据敏感

论文针对性：

• 现有方法（如InversionNet、VelocityGAN）在训练时使用固定震源参数

• 实际勘探中震源频率、位置都会变化，导致模型失效

• 数据噪声和缺失道是常见实际问题

二、主要创新点

1. 网络架构创新：Fourier-DeepONet

输入：[地震数据, 震源参数] → 输出：速度模型

• 分支网络：处理地震数据（5个源的波场数据）

• 主干网络：处理震源参数（频率、位置）

• 融合方式：点乘融合分支和主干输出

• 解码器：1个Fourier层 + 3个U-Fourier层（U-Net + FNO）

为什么重要：

• 将震源参数显式作为神经网络输入

• 实现了对可变震源的统一建模

2. 数据集创新：三个新基准

关键设计：打破了OpenFWI等数据集中震源参数固定的限制

三、关键实验结果

1. 泛化能力验证

• 固定频率vs可变频率：

  • 基线模型：只在15Hz时表现好，偏离时误差增大10倍

  • Fourier-DeepONet：5-25Hz全范围保持稳定精度

  • 

  • 

• 均匀分布vs非均匀分布：

  • 基线模型：只适应均匀分布源

  • Fourier-DeepONet：适应各种源分布模式

2. 鲁棒性验证

三项鲁棒性测试结果：

1. 数据加噪（σ=0.1时）：

   • Fourier-DeepONet：精度几乎不变

   • 基线模型：完全失效

2. 数据缺失道（缺失50%时）：

   • Fourier-DeepONet：SSIM>0.75（FVB数据集）

   • 基线模型：性能显著下降

3. 震源加噪：

   • 同等噪声水平下，Fourier-DeepONet表现最优

3. 架构消融实验关键发现

四、技术关键点

1. 输入设计

地震数据：形状(1000, 70, 5) [时间×接收器×源数]
震源参数：频率(1维)或位置(5维)或两者(6维)

• 实现了多源数据的统一处理

• 参数化的震源表示

2. Fourier层的价值

• Fourier层：捕获全局频率特征

• U-Fourier层：结合U-Net的局部细节捕捉能力

• 组合优势：同时处理大尺度结构和小尺度细节

3. 性能优势来源分析

1. 参数化输入：显式建模震源变化

2. 算子学习框架：学习函数到函数的映射，更适合PDE问题

3. 频率域处理：更适合波动方程特性

五、实际意义与局限

实际意义：

1. 更贴近实际应用：考虑了实际勘探中不可避免的震源变化

2. 更强的实用性：对噪声和缺失数据不敏感

3. 方法通用性：框架可扩展到其他地球物理反演问题

当前局限：

1. 仍为二维问题：工业应用需要三维扩展

2. Ricker子波假设：实际震源可能更复杂

3. 计算成本：U-Fourier层计算量较大

六、关键结论

一句话总结：Fourier-DeepONet通过显式引入震源参数作为输入，结合Fourier神经算子增强的DeepONet架构，显著提升了数据驱动FWI在可变震源条件下的泛化能力和鲁棒性。

三个最值得借鉴的点：

1. 问题驱动的网络设计：针对震源变化问题，设计专门的输入和架构

2. 系统性的验证方法：不仅测试精度，更强调泛化和鲁棒性

3. 贴近实际的基准构建：创建更符合实际情况的数据集