Magnetotellurisk framåtriktad modellering på fin grid via djupinlärning med fysikinformationsbegränsningar

Lyssna på jordens dolda signaler

Geofysiker har ett smart sätt att ”se” djupt ner under markytan utan borrning: de lyssnar på svaga naturliga elektriska och magnetiska signaler som rör sig genom jorden. Genom att modellera hur dessa signaler färdas kan de kartlägga begravda förkastningar, malmförekomster och geotermiska resurser. Men att göra detta med hög noggrannhet har länge krävt tunga, tidskrävande beräkningar. Denna artikel visar hur en ny djupinlärningsmetod, vägledd av fysikens lagar, dramatiskt kan snabba upp dessa beräkningar samtidigt som den behåller eller till och med förbättrar noggrannheten.

Varför fina detaljer spelar roll under marken

Magnetotellurisk (MT) metod fungerar lite som medicinsk avbildning för planeten. Sensorer vid ytan registrerar naturligt förekommande elektromagnetiska vågor. Utifrån dessa data härleder forskare hur väl olika bergarter leder elektricitet, vilket avslöjar strukturer som malmkroppar, förkastningar eller magma. För att beräkna hur signalerna borde se ut för en given underjordisk struktur delar forskarna upp undergrunden i ett rutnät av små celler och beräknar svaret — detta kallas framåtriktad modellering. Att använda ett mycket fint grid fångar subtila detaljer, som smala malmzoner eller skarpa gränser mellan bergarter, men det gör också ekvationssystemen enorma. Traditionella numeriska metoder, som finita element- eller finita differens-scheman, kan då ta hundratals sekunder för en enda fin-grid modell på en vanlig dator, vilket bromsar undersökning och tolkning.

Lära ett neuralt nätverk jordens regler

Många grupper har vänt sig till djupinlärning för att kringgå dessa långsamma beräkningar genom att träna neurala nätverk att efterlikna det framåtriktade steget. Rent datadrivna nätverk tenderar dock att drifta bort från fysisk verklighet: de kan passa sina träningsexempel men misslyckas med att hedra hur elektromagnetiska fält faktiskt beter sig, särskilt när brus eller ovanlig geologi förekommer. Författarna angriper detta genom att utforma PDMNet, ett fysikbegränsat multitask-nätverk byggt på en U-formad arkitektur kallad Swin-UNet. Detta nätverk tar en 2D-resistivitetsmodell som indata och förutsäger två viktiga MT-utgångar — apparenta resistiviteten och fasen — samtidigt. Viktigt är att det tränas inte bara för att matcha exempeldata utan även för att uppfylla fysiska regler härledda från magnetotelluritisk teori.

Bygga realistiska träningsvärldar

För att förbereda PDMNet för verkligt arbete skapade forskarna ett stort bibliotek med 34 733 syntetiska underjordiska modeller. Istället för enkla, blockiga strukturer använde de kubisk spline-interpolation för att generera mjukt varierande resistivitetsmönster som bättre efterliknar naturlig geologi och inkluderar volymeffekter av större kroppar. För varje modell producerade en konventionell finita element-lösare precisa MT-svar på ett fint grid, vilket tjänade som undervisningsexempel. De tillsatte också en liten mängd slumpmässigt brus, upp till 5 %, för att simulera störningar som fältdata oundvikligen innehåller. Innan data matades till nätverket normaliserade de noggrant resistivitets- och fasvärdenas intervall så att träningen förblev stabil och modellen generaliserade bättre.

Låta fysiken styra inlärningen

Under träningen dras PDMNet i två samverkande riktningar. En del av dess förlustfunktion mäter hur väl de predicerade apparenta resistivitets- och fasvärdena matchar fingridresultaten från finita element-metoden. En annan del jämför ursprungsresistivitetsmodellen med en resistivitetsprofil rekonstruerad från nätverkets egna prediktioner med en snabb magnetotelluritisk avbildningsformel känd som Bostick-inversion. Denna andra term fungerar som en fysisk väktare: om prediktionerna skulle antyda en omöjlig underjordisk struktur, knuffas nätverket tillbaka mot fysiskt konsistent beteende. En residualterm relaterad till Maxwells ekvationer och randvillkor vävs också in i inlärningsprocessen. Med tiden minskas vikten av Bostick-baserade begränsningen gradvis, så att tidig träning är starkt styrd av fysiken medan senare stadier låter nätverket finslipa sin anpassning till data.

Snabbare resultat utan att offra noggrannhet

Tester på osedda syntetiska modeller och på en verklig geologisk miljö — Jinchuan-nickel-koppar-sulfidfyndigheten i Kina — visar att PDMNet nära reproducerar de detaljerade mönster och strukturer som erhålls från guldstandarden, finita element-lösaren. Mått på numerisk fel och strukturell likhet gynnar båda PDMNet framför en rent datadriven Swin-UNet, särskilt när det gäller att fånga subtila lokala detaljer och hantera brusiga indata. Mest slående är att när nätverket väl är tränat kan PDMNet producera fingrid framåtsvar på ungefär en sekund, jämfört med cirka 210 sekunder för den traditionella lösaren vid samma grid-upplösning. I klarspråk levererar det högupplösta vyer av undergrunden hundratals gånger snabbare samtidigt som den fortfarande respekterar den underliggande fysiken.

Ett nytt verktyg för att utforska under våra fötter

För icke-specialister är huvudbudskapet att detta arbete förvandlar ett långsamt, beräkningsintensivt steg i avbildning av undergrunden till en snabb, AI-accelererad operation utan att ge avkall på vetenskaplig stringens. Genom att blanda djupinlärning med noggrant utformade fysikbegränsningar visar författarna att maskiner kan lära sig inte bara mönster i data utan också de regler som styr jordens elektromagnetiska beteende. Det blir enklare och snabbare att pröva många möjliga underjordiska scenarier, vilket stödjer bättre beslut inom resursprospektering, geotermisk utveckling och studier av jordens djupstruktur. Samma strategi skulle så småningom kunna utvidgas till fulla 3D-modeller och lovar ännu rikare bilder av vad som ligger under våra fötter.

Citering: 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

Nyckelord: magnetotellurik, geofysisk avbildning, djupinlärning, fysikinformerad AI, undersökning av berggrunden