人工神经网络可以正确学习此类图像中的所有形态模式，其中许多是基于现行的卷积神经网络(CNN)，而CNN是专门针对计算机视觉中与图像相关的任务而设计的。与视觉图像相比，地震反射信号具有本质上的不同：稀疏信号极性变化及有限带宽。此外，地质特征的地震响应在波传播路径、频率、幅度和极性方向方面也有所不同。因此基于数据驱动的ANN地震解释研究是典型的高维稀疏信号的复杂映射问题。 

　　中国科学院地质与地球物理研究所博士后耿智与合作导师王彦飞研究员提出了一种基于数据驱动的能进行有效地震数据分类的自动搜索神经网络架构(SeismicPatchNet, SPN)（图1）。假设嵌入在勘探地震数据中的关键信号特征可以被ANN捕获，则描述其参数比传统的CNN架构要少得多。该研究设计了具有特定地震振幅序列的概念性信号斑块（图1a），以海洋天然气水合物为例，这些信号类似于水合物的关键地震反射；同时考虑了各种复杂的破坏方法应用于上述信号(图1b)以生成用于搜索的特定CNN架构的积极数据集（图1c）。 

　　本神经网络架构通过对网络内核分解以减少参数量并汇总相反的采样特征来保持极性信息。应用高性能图形处理单元(GPU)，通过反问题正则化建模和随机搜索算法获得了最终的网络架构SPN。该研究构成了第一个以数据为驱动的设计具有高效计算能力的CNN，旨在从稀疏信号处理的角度对地震数据进行端到端解释。 

　　图1 数据驱动的CNN设计流程的示意图 

　　与国际上标准的神经网络模型对比显示：本研究的神经网络架构参数的存储量约为著名的VGG-16架构的0.5％。SPN的预测速度比ResNet-50快近18倍（图2），并且在识别海底天然气水合物资源指标似海底反射(BSR)方面显示出压倒性的优势（图3）。显著性映射表明，该研究提出的架构很好地捕捉了关键特征，显示出以极低的计算成本进行多个地震数据集的端到端解释的前景。 

　　图2 各类CNN架构性能测试：ROC表示受试者工作特征曲线(Receiver operator characteristic curve) 

　　图3 经典网络模型：深部特征难判别，识别结果噪声强；新提出的网络模型(SeismicPatchNet)(最下面一行)：具有深部地震特征识别的鲁棒性 

　　研究成果发表于国际顶级期刊Nature Communications. (Geng Z, Wang Y F*. Automated design of a convolutional neural network with multi-scale filters for cost-efficient seismic data classification [J]. Nature Communications, 2020, 11: 3311. DOI: 10.1038/s41467-020-17123-6) (原文链接)。该成果受中国科学院从0到1原始创新项目(ZDBS-LY-DQC003)、中科院地质与地球物理研究所重点部署项目(IGGCAS-201903)和国家重点研发计划项目(2018YFC0603500 & 2018YFC1504203)资助。