Modélisation directe magnétotellurique sur grille fine via apprentissage profond avec contraintes d’information physique

Écouter les signaux cachés de la Terre

Les géophysiciens disposent d’une méthode ingénieuse pour « voir » profondément sous la surface sans forer : ils écoutent de faibles signaux électriques et magnétiques naturels qui se propagent à travers la Terre. En modélisant la manière dont ces signaux voyagent, ils peuvent cartographier failles enfouies, gisements minéraux et ressources géothermiques. Mais obtenir ces calculs avec précision a longtemps exigé des opérations lourdes et chronophages. Cet article montre comment une nouvelle approche par apprentissage profond, guidée par les lois de la physique, peut accélérer ces calculs de façon spectaculaire tout en conservant — voire en améliorant — leur précision.

Pourquoi les détails fins comptent sous terre

La méthode magnétotellurique (MT) fonctionne un peu comme l’imagerie médicale pour la planète. Des capteurs en surface enregistrent des ondes électromagnétiques d’origine naturelle. À partir de ces données, les scientifiques déduisent la conductivité électrique des différents roches, ce qui révèle des structures telles que des corps minéralogiques, des failles ou du magma. Pour calculer à quoi devraient ressembler les signaux pour une structure souterraine donnée, les chercheurs divisent le sous-sol en une grille de petites cellules et calculent la réponse — c’est ce qu’on appelle la modélisation directe. Utiliser une grille très fine permet de capturer des caractéristiques subtiles, comme des zones de minerais étroites ou des limites abruptes entre types rocheux, mais cela fait exploser la taille des équations à résoudre. Les méthodes numériques traditionnelles, telles que les schémas éléments finis ou différences finies, peuvent alors prendre des centaines de secondes pour un seul modèle à grille fine sur un ordinateur ordinaire, ralentissant l’exploration et l’interprétation.

Apprendre à un réseau de neurones les règles de la Terre

De nombreuses équipes se sont tournées vers l’apprentissage profond pour contourner ces calculs lents en entraînant des réseaux à imiter l’étape de modélisation directe. Cependant, des réseaux purement fondés sur les données s’écartent souvent de la réalité physique : ils peuvent bien ajuster leurs exemples d’entraînement mais ne pas respecter le comportement réel des champs électromagnétiques, en particulier face au bruit ou à une géologie inconnue. Les auteurs abordent ce problème en concevant PDMNet, un réseau multitâche contraint par la physique basé sur une architecture en U appelée Swin‑UNet. Ce réseau prend en entrée un modèle 2D de résistivité et prédit simultanément deux grandeurs MT clés — la résistivité apparente et la phase. Surtout, il est entraîné non seulement pour correspondre aux données exemples, mais aussi pour satisfaire des règles physiques extraites de la théorie magnétotellurique.

Construire des mondes d’entraînement réalistes

Pour préparer PDMNet au travail sur le terrain, les chercheurs ont créé une vaste bibliothèque de 34 733 modèles souterrains synthétiques. Plutôt que des structures simples et en blocs, ils ont utilisé une interpolation par splines cubiques pour générer des motifs de résistivité à variation continue qui imitent mieux la géologie naturelle et incluent les effets de volume de corps plus étendus. Pour chaque modèle, un solveur éléments finis conventionnel a produit des réponses MT précises sur une grille fine, qui ont servi d’exemples d’apprentissage. Ils ont également ajouté une petite quantité de bruit aléatoire, jusqu’à 5 %, pour simuler les perturbations inévitables des données de terrain. Avant d’alimenter le réseau, ils ont normalisé avec soin les plages de valeurs de résistivité et de phase afin que l’entraînement reste stable et que le modèle généralise mieux.

Laisser la physique orienter l’apprentissage

Pendant l’entraînement, PDMNet est tiré dans deux directions complémentaires. Une partie de sa fonction de perte mesure la proximité entre ses prédictions de résistivité apparente et de phase et les résultats sur grille fine du solveur éléments finis. Une autre partie compare le modèle de résistivité d’origine avec un profil de résistivité reconstruit à partir des propres prédictions du réseau à l’aide d’une formule d’imagerie magnétotellurique rapide connue sous le nom d’inversion de Bostick. Ce second terme agit comme un gardien physique : si les prédictions impliqueraient une structure souterraine impossible, le réseau est ramené vers un comportement physiquement cohérent. Un terme résiduel lié aux équations de Maxwell et aux conditions aux limites est également intégré au processus d’apprentissage. Avec le temps, le poids de la contrainte basée sur Bostick est progressivement réduit, de sorte que l’entraînement initial est fortement guidé par la physique, tandis que les étapes ultérieures laissent le réseau affiner son ajustement aux données.

Des résultats plus rapides sans sacrifier la précision

Des tests sur des modèles synthétiques inconnus et sur un contexte géologique réel — le gisement de sulfures de nickel‑cuivre de Jinchuan en Chine — montrent que PDMNet reproduit fidèlement les motifs et structures détaillés obtenus à partir du solveur éléments finis de référence. Des mesures d’erreur numérique et de similarité structurelle favorisent toutes PDMNet par rapport à un Swin‑UNet purement fondé sur les données, en particulier pour capturer des caractéristiques locales subtiles et pour traiter des entrées bruitées. Plus remarquable encore, une fois entraîné, PDMNet peut produire des réponses directes sur grille fine en environ une seconde, contre environ 210 secondes pour le solveur traditionnel à la même résolution. En termes simples, il fournit des vues haute résolution du sous‑sol des centaines de fois plus rapidement tout en respectant la physique sous‑jacente.

Un nouvel outil pour explorer sous nos pieds

Pour les non‑spécialistes, le message principal est que ce travail transforme une étape lente et gourmande en calcul de l’imagerie du sous‑sol en une opération rapide, accélérée par l’IA, sans renier la rigueur scientifique. En mêlant apprentissage profond et contraintes physiques soigneusement conçues, les auteurs montrent que les machines peuvent apprendre non seulement des motifs dans les données, mais aussi les règles qui gouvernent le comportement électromagnétique de la Terre. Cela facilite et accélère l’évaluation de nombreux scénarios souterrains possibles, soutenant de meilleures décisions pour l’exploration des ressources, le développement géothermique et l’étude de la structure profonde de la Terre. La même stratégie pourrait finalement s’étendre aux modèles 3D complets, promettant des images encore plus riches de ce qui se trouve sous nos pieds.

Citation: Wang, K., Yuan, C., Zhu, H. et al. Magnetotelluric forward modeling on fine grid via deep learning with physical information constraints. Sci Rep 16, 6412 (2026). https://doi.org/10.1038/s41598-026-37645-1

Mots-clés: magnétotellurique, imagerie géophysique, apprentissage profond, IA informée par la physique, exploration du subsurface