采用学习式预条件器的全波形反演

基于摘要分析。本文研究地球物理中的全波形反演（FWI），旨在缓解地下速度模型重建的病态性、更新方向敏感性及曲率方法的高计算成本。作者探索用在逆时偏移（RTM）图像上训练的神经算子构建学习式预条件器，而非直接替代物理反演。 方法将所学 RTM 映射的正规算子作用于真实的 Devito FWI 梯度，并比较投影 FWI、采用标准 Fourier neural operator（FNO）的预条件 FWI，以及采用 Jacobian-informed FNO（JI-FNO）的预条件 FWI。摘要未给出正规算子的具体构造、Jacobian 信息的训练方式或损失形式，尚不能据此还原实现。 作者报告，在所述地下速度模型反演实验中，JI-FNO 预条件器取得最低模型误差，同时保持与基线投影 FWI 相近的数据残差下降表现；同一预条件框架中的标准 FNO 则出现不稳定，模型恢复更差。作者还报告，非线性神经 Gauss–Newton 型内层求解若直接将神经 RTM 输出与 FWI 梯度匹配，会产生目标空间不匹配，无法可靠提供下降方向。这些结果支持作者的判断：仅有前向 RTM 图像预测能力不足以保证有效预条件，还需准确的学习导数及与反演目标一致的算子使用方式。具体数据、误差定义、初始化、计算开销、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 源成像采用可微物理前向模型及迭代反演，此类“保留物理梯度、学习更新变换”的机制可能具有方法参考价值，但不构成已验证的 EEG 或 BCI 效果。迁移需改造前向模型、源空间和训练样本；低信噪比、个体头模型差异、通道变化及小数据可能使学习导数失准。可在固定头模型的合成 EEG 源定位中，对照原始梯度、标准 FNO 与 Jacobian-informed 预条件更新，同时检查源重建误差、数据残差和下降方向可靠性。已有 EEG 相关工作尚未检索确认。