AI每周总结 · 地球物理（2026-10-19）#

1. 结构约束的四维叠前反演（全局多维矩阵乘法）#

• 标题：Global Structure-Constrained 4D prestack inversion
• 作者/团队：Qingwei Zhao（赵庆伟）、Xuehua Chen（陈学华）、Shengyi Wang、Cong Wang、Gang Zhao —— ⚠️ 论文未在 arXiv HTML 中给出可解析的机构字段，机构未验证
• 链接：arXiv 2610.16085（v1，2026-10-12，physics.geo-ph）· https://arxiv.org/abs/2610.16085
• 方法：把反演模型表为四维张量（空间 × 参数），用多维矩阵乘法在各方向上构造观测数据张量，从而实现”全局”（非逐道）反演；引入多维正则化（分别控制不同维度的约束强度），并把地震解释得到的层位与断层约束注入反演。核心卖点是”在保持计算效率的前提下提升复杂构造区反演稳健性”。
• 数据：合成数据 + 实测数据（摘要明确写 “Both synthetic and field data experiments demonstrate…”；⚠️ 具体工区/模型未在摘要中给出）
• 代码：未声明（⚠️ 未验证）
• 类别：传统方法（多维正则化反演 / 张量代数；无 DL 组件）
• 对本项目（AI+DL+HPC+地震数据处理+FWI）的启发：这条的价值不在”又一篇叠前反演”，而在它把”结构约束”做成可用矩阵乘法批量施加的算子。如果我们的 FWI/反演流程里已有解释层位与断层（或可从成像结果自动提取），这类 “结构先验作为低秩/张量约束、以 matmul 形式实现” 的写法，比逐道加正则更容易在 GPU 上批量化 —— 与”结构约束”在 AI 侧的扩散/INR 路线形成同一物理先验的两种数值实现，可做交叉验证。
• 验证状态：✅ arXiv 元数据（标题/作者/日期/分类）经 API 核实；⚠️ 机构未验证、量化增益未验证、代码未声明。

2. ⭐ 扩散正则化退火 SVGD 的结构感知贝叶斯 FWI#

• 标题：Structure-aware Bayesian full waveform inversion via diffusion-regularized Stein variational gradient descent
• 作者/团队：Chao Li、Mrinal K. Sen、Sergey Fomel、Yangkang Chen —— The University of Texas at Austin（HTML 中 Affiliation: 字段已核验）
• 链接：arXiv 2610.19187（v1，2026-10-13，physics.geo-ph）· https://arxiv.org/abs/2610.19187
• 方法：把退火 SVGD（ASVGD）的粒子式贝叶斯 FWI 与扩散模型隐式先验结合：用 DDPM（SDE 形式的前向/逆向扩散）在速度模型上学习结构先验，把它作为 SVGD 更新中的隐式正则项，替代手工先验；粒子群近似后验，从而在给出模型的同时给出不确定度。论文第 4 节专门讨论了”扩散先验如何注入结构信息""初始粒子数的影响""噪声水平对不确定度评估的影响""扩散正则的关键因素与计算代价”。
• 数据：Marmousi（100×216 网格，20 m 间距，平滑版本作初始模型）+ 实测数据（第 3.1/3.2 节）；训练先验使用 GeoFWI 数据集（约 5 万个速度模型，2–11 层，1500–4500 m/s，100×100 网格），来自 https://github.com/aaspip/geofwi（Li et al., 2026）
• 代码：⚠️ 本工作代码未提供。全文无 “Code availability” 章节（已实测检索为空）；文中出现的 github.com/aaspip/geofwi 是 GeoFWI 数据集的地址，不是本文方法代码 —— 这一点必须区分，不可混用。
• 类别：AI/地球物理（扩散生成模型 + 粒子变分推断为核心创新）
• 对本项目的启发：本期 AI 线最有工程价值的一条。 三点直接可用：①ASVGD 天然的”粒子并行”结构与我们的多卡/多节点部署契合——每个粒子是一次独立 FWI 正演+伴随，通信仅发生在粒子间的核函数加权，属弱通信、强并行，比 HMC 更适配 HPC；②把扩散先验当正则项而不是当生成器，避免了”潜空间低维流形”问题（对照第 3 条）；③论文给了”噪声水平 vs 不确定度评估”的敏感性分析，这对我们要不要上报 UQ 是直接的判据。建议作为”FWI 不确定度”方向的首选复现对象（用 GeoFWI 数据 + 自建 DDPM，成本可控）。
• 验证状态：✅ arXiv 元数据、四位作者机构、代码缺失事实经全文实测核实；⚠️ 量化收益（模型误差/不确定度标定）需读全文，摘要未给数字。

3. 贝叶斯反演”逃出生成器范围”：减少生成式神经网络的非物理约束#

• 标题：Bayesian Inversion Beyond the Generator’s Range: Reducing Non-physical Constraints from Generative Neural Networks
• 作者/团队：Pratyay Roy、Xuebin Zhao、Andrew Curtis —— University of Edinburgh（通讯作者邮箱 [email protected] 已核验）
• 链接：arXiv 2610.16614（v1，2026-10-12，physics.geo-ph）· https://arxiv.org/abs/2610.16614
• 方法：直击潜空间反演的根本缺陷。作者论证：地球结构本身不是低维的，且所有 GNN 都有训练误差，因此把反演参数限制在 GNN 潜空间里，等于把解永久锁在一个低维流形上 —— “从数学上讲，潜空间反演是根本性失败的：它通常连真实地球的最优高维逼近都复现不出来”。对策是引入**“escaping prior”（逃逸先验）分布**，允许后验离开 GNN 生成的解流形（但仍以 GNN 作引导），并用层级贝叶斯让先验强度后验地依数据与正演函数自适应。附录给出 VAE / AAE / DAAE 三种 GNN 的训练细节与逃逸样本构造。
• 数据：低维合成算例（在二维参数空间中定义在一维流形上的逃逸先验），与标准潜空间反演、模型空间反演（均匀先验）对比；论文第 5 节用多个地质速度模型做水平/垂直剖面与后验相关性分析。
• 代码：未声明（⚠️ 未验证）
• 类别：AI/地球物理（生成模型先验的贝叶斯推断理论修正）
• 对本项目的启发：这是一条”方法论红线”级别的文献，建议列入组内必读。 我们如果打算用扩散/GAN/VAE 先验做 FWI，这条明确指出只做潜空间优化是不够的，必须允许后验越出先验支撑集，否则”不确定度会被系统性低估、且可能连真解都够不到”。它与本期 #2 形成互补：#2 是把生成先验降级为正则项（不改参数化），#3 是承认参数化本身有偏并显式建模这种偏差 —— 后者更彻底，但代价是后验采样成本更高。行动上：先读这篇，再决定我们的 UQ 路线走”正则化”还是”逃逸先验”。
• 验证状态：✅ arXiv 元数据、机构、论证要点经全文核实；⚠️ 仅在低维合成问题上验证（作者自述），高维实用性未经证实、代码未声明。

4. 学习型预条件子的全波形反演（JI-FNO）#

• 标题：Full Waveform Inversion with a Learned Preconditioner
• 作者/团队：Jeongjin Park（单作者；⚠️ 机构未验证 —— arXiv HTML 的 affiliation 字段未解析出，摘要亦未提及）
• 链接：arXiv 2610.15331（v1，2026-10-11，cs.LG 主分类 / physics.geo-ph 交叉）· https://arxiv.org/abs/2610.15331
• 方法：用在 RTM 图像上训练的神经算子为 FWI 提供学习型预条件子：神经预条件子把”学习到的 RTM 映射的法算子（normal operator）“作用到真实的 Devito FWI 梯度上（即梯度仍由真伴随算出，只用网络改造梯度的度量）。对比三条路线：投影 FWI（baseline）、标准 FNO 预条件、JI-FNO（Jacobian-informed FNO） 预条件。
• 数据：合成算例（正文引用了 Jones et al. 2012 的复杂合成模型构建工作，具体模型见 §V；⚠️ 摘要未列模型名）
• 代码：未声明（⚠️ 未验证；但方法基于 Devito，与开源栈直接兼容）
• 类别：AI/地球物理（神经算子作为反演算子的一部分）
• 对本项目的启发：本期”最值得警惕也最有信息量”的一条，因为它报告的是失败模式。 两个结论直接改变工程判断：
  1. 标准 FNO 预条件子不稳定、模型恢复更差（同一框架下，只换 FNO → JI-FNO 就从”不可用”变”最好”）→ “用神经算子加速 FWI”不是一个可以无脑套用的结论，对 Jacobian 的正确处理是成败关键；
  2. 作者识别出一个**“目标函数空间错配”（objective-space mismatch）失效模式**：把”神经 RTM 输出”直接拿去匹配 FWI 梯度，会产生不一致的目标函数，得不到可靠下降方向 → 正确做法是让网络作用于”算子/度量”，而不是作用于”梯度的数值”。 对我们的启发：任何”用网络替代伴随/替代 Hessian”的方案，必须验证梯度方向与真梯度的一致性（内积 > 0 且尺度可比），否则优化会在中后期悄悄发散。 这条给了我们一个可执行的验收测试。
• 验证状态：✅ arXiv 元数据、摘要全文、分类经 API 与 abs 页核实；⚠️ 作者机构未验证；量化指标（model error / residual decay）为定性表述，未给数字；代码未声明。注：该文为”项目式（project）“表述，篇幅/完整性可能弱于正式论文。

5. ⭐ 4-D TFXK 目标函数：面向 DAS 波形反演的时空相干性失配#

• 标题：A 4-D spatio-temporal misfit function for waveform inversion of Distributed Acoustic Sensing data
• 作者/团队：Eyal Shimony、Ariel Lellouch —— Tel Aviv University（⚠️ 机构依作者长期单位判断，Crossref 未给 affiliation 字段）
• 链接：Geophysical Journal International · https://doi.org/10.1093/gji/ggag448（published-online 2026-10-16，Crossref created 2026-10-15；⚠️ 卷/期/页码尚未分配，early view）
• 方法：标准 FWI 目标函数在”近地表强局部散射主导”的数据上难以分辨深部结构。作者提出 4-D TFXK（time–frequency–space–wavenumber）目标函数，显式强制空间相干性，利用 DAS 的高密度空间采样；分别推导了 相位失配与包络失配两种情形下的伴随源。物理效果：抑制浅层非均质的局部散射 → 把核（kernel）灵敏度推向更深、更大尺度的目标；数学效果：4-D 映射平滑了目标函数拓扑、缓解局部极小、改善收敛。论文还讨论了弯曲光纤几何的处理（弧长参数化、局部多项式傅里叶变换 LPFT、完整矢量波数方法）。
• 数据：2D 合成算例（含强浅层非均质）；⚠️ 摘要未含实测数据结果
• 代码：未声明（⚠️ 未验证）
• 类别：传统方法（目标函数/伴随源设计；无 DL 组件）
• 对本项目的启发：本期传统线最”可迁移”的一条，而且迁移对象不止 DAS。 作者明确写道：“我们的方法的基本原理可扩展到使用传统密集节点台阵的结构反演。” 具体可用点：
  • 我们做浅层强非均质区（如黄土塬、山前带）的 FWI 时，局部散射把灵敏度锁在近地表是常见病；TFXK 的”沿空间-波数维强制相干”相当于一个物理意义上正确的预处理/加权，比随手加平滑正则更有依据；
  • 伴随源是显式推导的，意味着实现成本可控（不依赖自动微分框架的隐式处理）；
  • 与第 6 条（黏弹 Q-RTM）合用：一个改”目标函数”，一个改”正演算子”，是同一套代码里两个正交的升级点。
• 验证状态：✅ Crossref 核验标题/作者/DOI/上线日期/摘要全文（含”2D synthetic”与”可推广到节点台阵”的原句）；⚠️ 仅 2D 合成、卷期页码待定、机构未在 Crossref 给出、代码未声明。

6. ⭐ GSLS 型黏弹波方程的高效实现与衰减补偿 Q-RTM#

• 标题：Efficient viscoelastic wave propagation and attenuation-compensated reverse-time migration
• 作者/团队：Yabing Zhang、Hejun Zhu、Yang Liu、Jun Lu —— ⚠️ Crossref 未提供 affiliation，机构未验证（Hejun Zhu 与 UT Dallas 的关联属常识性判断，未经本次核实，不作断言）
• 链接：Geophysics · https://doi.org/10.1190/geo-2025-0638（published-online 2026-10-14；⚠️ 卷/期/页码未分配，early view）
• 方法：分数阶黏弹波方程要做 Q-RTM，但因为含多个分数阶拉普拉斯算子，通常只能靠谱方法，计算代价高。本文提出一种 GSLS（广义标准线性固体）型近似：①推导出适合有限差分实现的黏弹波方程，②方程中显式包含品质因子 Q（不同于常规 GSLS 需要先拟合松弛参数），从而可直接做 Q 基的模拟与反演；③引入补偿项得到补偿波方程用于 Q-RTM；④给出改进的 P/S 波分解算法降低黏弹 RTM 成像的额外成本。
• 数据：波场模拟 + Q-RTM 数值实验（合成）；结论为”与分数阶黏弹波方程结果相当，但计算成本显著降低”
• 代码：未声明（⚠️ 未验证）
• 类别：传统方法（黏弹本构近似 + 有限差分正演 + RTM 成像）
• 对本项目的启发：这是”把谱方法换成有限差分”的经典降本路线，与我们 HPC 侧的核心关切完全一致：
  • 降本的本质是”去 FFT” —— 每次时间步不再需要全局傅里叶变换，意味着更好的并行扩展性（FFT 的全局通信在大规模分解下是瓶颈）与更低的显存占用；
  • “方程显式含 Q” 使得 Q 可以像速度一样成为反演变量，为 Q-FWI / 衰减补偿 FWI 提供了比”松弛参数拟合 + 链式法则”更干净的实现路径（可对照 W41 收录的 Q-FWI CO₂ 监测那条，方向相连）；
  • 改进的 P/S 分解是黏弹 RTM 里长期被忽视的成本项，值得单独看它的实现。 建议：若我们已有声学 FD 正演，这条是”升级到黏弹”的最低阻力路径。
• 验证状态：✅ Crossref 核验标题/作者/DOI/上线日期/摘要全文；⚠️ 仅数值（合成）实验、卷期页码待定、机构未验证、代码未声明、成本降低幅度摘要未给数字。

7. ⭐ EQNet2：以事件为中心的多台站 Transformer 地震监测#

• 标题：Event-Centric Earthquake Monitoring with a Multi-Station Transformer
• 作者/团队：Haoyu Wang、Weiqiang Zhu —— University of California, Berkeley（Dept. of Earth & Planetary Science / Berkeley Seismology Laboratory）（HTML affiliation 已核验）
• 链接：arXiv 2610.17404（v1，2026-10-12，physics.geo-ph）· https://arxiv.org/abs/2610.17404
• 方法：几何感知（geometry-aware）的多台站 Transformer，联合预测：震相到时、初动极性、震源位置、震级，以及把拾取关联成事件——把过去”逐台站、逐任务串行”的地震监测流程合并为一次前向。核心论点是两条：①逐台站独立处理丢弃了台网内到时的一致性；②各任务串行执行割裂了描述同一地震的信息。
• 数据：北加州测试集；2019 Ridgecrest 序列与旧金山湾区连续波形（含 2025 Berkeley 地震）；训练数据为 CEED 数据集（Hugging Face 公开）；波形与目录来自 SCEDC / NCEDC
• 代码：✅ https://github.com/AI4EPS/EQNet（论文 §Code Availability 明确指向；GitHub API 实测：57★，license NOASSERTION（非标准许可，需人工确认条款），最后推送 2026-10-15）
• 类别：AI/地球物理（多台站 Transformer 为核心创新）
• 对本项目的启发：本期”可直接上手”程度最高的一条。 三点：
  1. “一次前向出五件事” 是流程重构，不是模型涨点 —— 关联（association）从后处理变成网络内生的注意力，这直接对应我们做微地震/诱发地震监测时的痛点（拾取准但关联差，事件目录碎）；
  2. 几何感知 意味着台站坐标进入模型，可以跨台网迁移——这对我们自有台网的稀疏/不规则布设很重要；
  3. 代码两周内仍在活跃更新，且作者是 AI4EPS 团队（SeisBench 生态的核心贡献者），大概率能与 SeisBench 数据管线对接。 建议：列入”下季度可试点”清单，先跑 Ridgecrest 复现，再评估能否直接吃我们自己的连续波形。
• 验证状态：✅ arXiv 元数据 + 机构 + 代码仓库（存在性/star/许可/推送时间）四项均实测核实；摘要给出 P 波精度/召回 0.9824（补充表 1，单一阈值 0.3 下）；⚠️ 许可为 NOASSERTION，商用条款需人工确认；完整性能对比需读全文。

8. 时移 VSP 全波形反演的不确定度量化：HMC 与 SVGD 的等算力对比#

• 标题：Uncertainty quantification in time-lapse full-waveform inversion of vertical seismic profiling data: contrasting the Hamiltonian Monte Carlo and Stein Variational Gradient Descent methods
• 作者/团队：Jinji Li、Kris Innanen、Alison Malcolm —— ⚠️ Crossref 未提供 affiliation，机构未验证（三位作者与 University of Calgary / Memorial University 的关联属常识判断，未经本次核实）
• 链接：Geophysics · https://doi.org/10.1190/geo-2025-1009（published-online 2026-10-14；⚠️ 卷/期/页码未分配，early view）
• 方法：时移 FWI（TL-FWI）在 CO₂ 地质封存监测中很关键，但强非线性 + 基线/监测采集不一致 → 必须做 UQ。论文在匹配的计算预算下，对比两种贝叶斯方法：HMC（随机采样 + 梯度提议，构造后验）与 SVGD（确定性演化的粒子群，近似后验），在 2D VSP 场景下考察注入引起的速度异常。
• 数据：2D VSP 时移算例（合成；⚠️ 摘要未含实测）
• 代码：未声明（⚠️ 未验证）
• 类别：传统方法；但边界存疑，需人工拍板。按用户定义（AI 仅辅助/对比/后处理才归传统），本文的 SVGD 是一种粒子式变分推断算法，并非神经网络/深度学习模型，故归传统；但它与本期 #2 的 ASVGD（AI 线）共用同一套 SVGD 数学内核。这正是 5.C 所指”分类边界失效”的具体例证 —— 若组内口径认为”变分推断也算 ML”，则本条应改归 AI/地球物理。
• 对本项目的启发：这条与本期 #2 构成一组”必须并读”的对照，结论相当反直觉：
  • 两种方法都能恢复注入引起的主速度异常，但表达不确定度的方式不同；
  • HMC：不确定度场偏”弥散”，在深部与井外照明弱区越来越难以解释；
  • SVGD：不确定度被采集几何强组织，能把大不确定度更明确地放在约束弱的位置 —— 但代价是后验均值与剖面继承了更强的”照明形状伪影”；
  • 作者的结论：二者的区别不是”谁的不确定度更准”，而是”有限算力被转换成了哪一类后验信息”。 对我们的直接意义：如果要做 UQ 且算力受限，选 HMC 会得到”说不清的不确定度”，选 SVGD 会得到”说得清但被采集几何污染的不确定度”。这决定了我们对外交付 UQ 图时应当配什么说明文字。 与 #2 的 ASVGD（退火 SVGD）连起来看：SVGD 家族在 FWI-UQ 里已经形成”效率优先”的谱系。
• 验证状态：✅ Crossref 核验标题/作者/DOI/上线日期/摘要全文（含”matched computational budget”与两类后验差异的原句）；⚠️ 仅 2D VSP 合成、卷期页码待定、机构未验证、代码未声明、无量化指标。

9. 时域扩展源 FWI（ES-FWI）用于长偏移距 OBS 数据：东南海槽实例#

• 标题：Seismic Imaging of the Crust From Long-Offset Ocean-Bottom Seismometer Data Using Time-Domain Extended-Source Full-Waveform Inversion: Application to the Eastern Nankai Trough, Japan
• 作者/团队：Gaoshan Guo、Stéphane Operto、Jean-Xavier Dessa —— ⚠️ Crossref 未提供 affiliation（Operto 的 Géoazur/CNRS 关联属常识判断，未经本次核实）
• 链接：Journal of Geophysical Research: Solid Earth · https://doi.org/10.1029/2025jb033081（**Vol. 131, Issue 10**；published-online 2026-10-15）
• 方法：长偏移距 OBS 的壳幔尺度 FWI 受周期跳跃（cycle skipping）制约（波长数多 + 波形复杂 → 对时移误差极敏感）。本文评估新近发展的时域扩展源（ES-）FWI：先用”实验源 + 散射源”之和构成的扩展源重建与实测数据良好拟合的波场，其中散射源由”虚拟测量的散射数据”残差逐次最小二乘估计；再固定重建波场、通过最小化散射源来更新模型，把藏在散射源里的扰动量转移到背景模型。两类优化交替进行直至收敛（数据残差与散射源同时趋零）。流程：初至走时层析给初始模型 → 多尺度 ES-FWI → 到线性域后用常规 FWI 精修。
• 数据：东南海槽（eastern Nankai）实测长偏移距 OBS 数据 —— 本期唯一一条”实测 + 大尺度”的传统方法条目
• 代码：未声明（⚠️ 未验证）
• 类别：传统方法（扩展源反演 / 波场重建 + 模型更新交替优化；无 DL 组件）
• 对本项目的启发：这是”对付周期跳跃”的非 AI 主流解法里最成熟的一支，且已在大尺度实测上跑通。 关键可搬运点：
  • ES-FWI 与常规 FWI 不是替代关系而是接力关系（“到线性域后交回常规 FWI 降残差”）——这个分段策略比”一个目标函数打到底”更工程化；
  • 交替优化的每次迭代成本是常规 FWI 的倍数（多了波场重建），但收敛所需迭代数可能大幅下降；作者在第 4 节讨论了分辨率结构，值得核对他们的成本核算口径；
  • 与本期 #5（TFXK 失配）互补：#5 改”失配函数的维度”，#9 改”未知量的维度（扩展源）“，两者都是在目标函数层面绕开非线性的正统做法。 建议：作为我们长偏移距/深部成像项目的”保底方案”列入技术选型对比表。
• 验证状态：✅ Crossref 核验标题/作者/DOI/卷期/上线日期/摘要全文（“more accurate than FWI”为作者结论）；⚠️ 机构未验证、代码未声明、定量对比（误差/成本）摘要未给出。

10. 潜扩散模型生成二维/三维裂缝网络（稀疏观测条件化）#

• 标题：Latent Diffusion Modeling of Two- and Three-dimensional Fracture Networks with Sparse Observation Conditioning
• 作者/团队：Jiawei Shen、Hongkyu Yoon、Jonghyun Lee —— ⚠️ HTML affiliation 字段未解析出，机构未验证（Sandia / University of Hawaii 的关联属推测，不作断言）
• 链接：arXiv 2610.14412（v1，2026-10-10，physics.geo-ph）· https://arxiv.org/abs/2610.14412
• 方法：VAE 压缩 + EDM（Elucidated Diffusion Model） 的两级结构：裂缝与基质表示为二值场，由 VAE 压成紧凑空间潜表示，再由 EDM 学其分布；3D 模型直接在原生体数据上工作，重建目标专门设计以保稀疏、细薄的裂缝结构；稀疏钻孔观测通过条件编码器 + classifier-free guidance + diffusion posterior sampling 注入。
• 数据：2D 与 3D 裂缝网络（合成/统计建模）；生成集合复现关键裂缝统计量
• 代码：✅ https://github.com/jiaweish23/fracture-latent-diffusion（论文 §Code Availability 明确指向；GitHub API 实测：0★，MIT，最后推送 2026-09-26；论文还提供了 Supplementary Tables S1–S4 的超参数）
• 类别：AI/地球物理（潜扩散 + 扩散后验采样为核心创新）
• 对本项目的启发：注意它的位置：这是”生成式模型 + 稀疏观测”这一组技术在”非平稳、非连续目标”上的样板。 三点：
  1. 3D 潜扩散”直接在体上做”而非逐切片 —— 与我们熟悉的 2D→3D 拼接路线（对照本期提名区的 depth-as-channel）是两条对立路线，裂缝这类薄结构恰是切片法最容易断的地方，可作为选型依据；
  2. 三类条件化手段的组合（编码器 / CFG / DPS） 是当前”稀疏井约束生成”的标准三件套，做法可整体搬到”稀疏井约束速度建模”；
  3. 代码 MIT + 有超参表 → 复现门槛低，适合作为生成式先验的练手工程。 排序说明：本条排在末位，是因为它与”地震波场/速度建模”隔了一层（属岩石物性/裂缝建模），相关性弱于前 9 条，但方法论价值高。
• 验证状态：✅ arXiv 元数据 + 代码仓库（存在性/许可/推送时间）+ 论文 Code Availability 章节均实测核实；⚠️ 机构未验证；摘要未给出量化指标（统计量”复现良好”为定性表述）。

5.A AI/地球物理线#

（1）重复（同题或同方法的再次出现）

• 与 W38/W39/W41 逐条比对后，本期 AI 线 5 条主榜条目均在历史三份总结中未出现（按 DOI、arXiv ID、标题关键词三重检索，均无命中）。无严格意义上的”重复条目”。
• 但有方向级重复：生成式先验用于速度建模在 W38（浅到深扩散 VMB）、W39（扩散 VMB）、W41（扩散先验 + 神经算子 time-lag）已连续三期出现，本期 #10（裂缝网络潜扩散） 与 N5（depth-as-channel 3D 扩散 VMB） 仍在此带上，只是目标对象从”速度模型”扩散到”结构/物性模型”。判断：不是重复投稿，而是同一方法族在扩边。

（2）升级（同一方向的实质性推进）

（3）新增方向

5.B 传统方法线#

（1）重复

• 无严格重复。但有两处主题延续：
  • 去混采：W41 收录 “Seismic Deblending via an Adjacent-CRG-Assisted Multistep DL Framework”（10.1029/2026jh001391，W41 索引中标注为传统/方法框架）；本期 N3（4D 稀疏反演去混采） 是同一问题的纯稀疏反演解法，且恰好针对”3D 逐 CRG 独立处理丢失接收线内相干”这一同一动机。二者不是同一工作，但动机表述高度同构，说明这是一个被两边同时盯上的问题。判断：属”同问题的两条解法”而非重复，但下期若再出现第三条，应合并为一条”去混采专题”跟踪。

（2）升级

（3）新增方向

5.C 交叉观察（本期最重要的一个信号）#

“贝叶斯 + 不确定度”在两条线上同时成为主线，且方法族高度重合：

四条工作、两种类别、同一族数学工具（粒子/变分贝叶斯）。 这是 W38 以来第一次出现**“分类边界在技术上变得模糊”**的周次 —— 说明”AI/传统”的二分在 UQ 这个交叉点上正在失效。建议：从本期起，在标签体系里增设一条横向标签 Bayesian-UQ，与”AI/传统”正交使用。

6.A AI/地球物理线#

1. 从”生成什么”转向”如何正确接入物理流程”。 本期 AI 线 6 条里，只有 #10 是”生成模型本身”，其余 5 条都在处理”接口”问题：#4 是神经算子接进梯度、#2 是扩散先验接进 SVGD、#3 是生成器接进贝叶斯后验、#7 是多个监测任务接进一个 Transformer。这个领域的主流工作已经从”模型能力”转移到”系统集成”。
2. 失败模式的公开化是这个领域成熟的标志。 #4（2610.15331）明确报告”标准 FNO 预条件子不稳定""目标函数空间错配导致不可靠下降方向”；#3（2610.16614）直接论证”潜空间反演在数学上是根本性失败的”。这种”先说清楚什么情况下不管用”的写法，在一年前的 AI+地球物理文献里很少见。对我们的意义：现在读这一领域的论文，可以开始相信”负面结论”了。
3. “多任务一次前向”开始出现（#7 EQNet2）。 地震监测从”流水线”走向”端到端”，且几何感知使模型可跨台网迁移。这是本期唯一一条明显降低工程复杂度（而非增加）的 AI 工作 —— 值得优先试点。
4. 扩散模型在”薄/非连续结构”上的可行性被验证（#10）。 3D 直接在体上做潜扩散、并用三类条件化手段吃稀疏井 —— 这为”稀疏井约束速度建模”提供了现成模板。
5. AI 线本期的量化供给仍然偏弱。 6 条中只有 #7（P 波精度/召回 0.9824，单阈值）与 #10（定性）给出可引用数字；#2/#3/#4 摘要全是定性表述。这与 W41 的观察一致（“10 条里只有 1 条给出可引用数字”），说明”摘要不给数字”是这一领域的常态，不是本期偶然。

6.B 传统方法线#

1. 本期传统线质量明显高于 W41。 W41 需要”从延伸观察升入 3 条”才凑满配比；本期窗口内可验证的传统方法候选有 8 条（主榜 5 + 提名 N1/N3 + 1 条 GPR 备选），全部来自正式期刊或 arXiv，且有一条（#9）是大尺度实测。 原因很直接：本期是完整的 8 天连续窗口，且期刊侧（GJI / Geophysics / JGR-SE）在 10-13~10-16 集中上线。
2. “降本”是传统线的主旋律，且路径集中在两处：去 FFT、去重复求解。 #6（GSLS 替代分数阶谱方法，去 FFT）、#9（ES-FWI 用交替优化换取更少迭代）。这与 W39 建立的”内存而非 FLOPs 是硬约束”判据同源 —— 去 FFT 直接改善的是并行扩展性与显存，不是 FLOPs。
3. 物理模型层面出现”修补底层缺陷”的工作（N1 Hooke–Kjartansson）。 常 Q 模型的零频相速度 → 0 是几十年的已知缺陷，本期给出满足最小相位条件的修正并用 4 组岩石实验数据验证。这类工作不产生”新方法”，但会静默地改变所有基于常 Q 的下游实现（包括 Q-FWI 与 Q-RTM）—— 属于”下期要留意引用”的长尾条目。
4. 失配函数设计与未知量扩张，是绕开非线性的两条正统路径。 #5（扩失配维度到 TFXK）与 #9（扩未知量到扩展源）同周出现，动机相同（近地表/周期跳跃把灵敏度锁死），手段互补。如果我们的项目在浅层强非均质或长偏移距数据上受阻，这两条应当并排测试。
5. UQ 研究进入”预算约束下的取舍”阶段（#8）。 结论”不是谁更准，而是有限算力被转换成哪类后验信息”，直接给出了工程选型判据，比”某方法更好”有用得多。

6.C 一句话总结#

本期是”接口周”：AI 线在回答”生成模型该怎么正确地接进物理反演”（并开始诚实报告失败模式），传统线在回答”怎么在去掉 FFT 和减少迭代的前提下保持物理正确”；两条线在”贝叶斯 + 不确定度”上意外汇合，使”AI/传统”的二分在这个交叉点上第一次真正失效。

A. 立即可做（本周内，零/低风险）#

1. 【必读】#3（2610.16614） —— 在读任何”用生成先验做 FWI”的方案之前先读这篇。它决定了我们 UQ 路线的前提假设是否成立（潜空间是否足够）。阅读任务：只看第 1–2 节与第 6 节讨论，约 40 分钟。
2. 【必读】#4（2610.15331）第 IV–V 节 —— 提取”目标函数空间错配”的判据，写成一份内部检查清单：任何”网络替代伴随/Hessian”的方案，必须通过”梯度内积 > 0 且尺度可比”的验收测试。这是一份能直接用在下一次评审会上的材料。
3. 【可上手】#7（EQNet2） —— 代码仓库 AI4EPS/EQNet 实测活跃（2026-10-15 仍在推送）。第一步只做”拉代码 + 跑 Ridgecrest 示例”，不接自有数据；同时人工确认 NOASSERTION 许可的具体条款（是否允许商用/内部部署）。
4. 【低门槛复现】#10（fracture-latent-diffusion） —— MIT + 有超参表，适合作为组内”潜扩散 + 稀疏观测条件化”的练手工程，产出可直接迁移到稀疏井约束速度建模。

B. 需要评估（1–4 周，先做可行性判断）#

5. UQ 路线选型（并读 #2 与 #8） —— 做一个决策矩阵：ASVGD（#2） vs HMC（#8） vs SVGD（#8） vs 逃逸先验（#3），四个维度：单次成本 / 并行友好度 / 后验可解释性 / 是否被采集几何污染。#8 的结论提示：SVGD 家族后验均值会继承照明伪影，这对”要给甲方交付速度模型 + UQ 图”的场景是硬约束。建议默认选 ASVGD（#2），因为粒子并行天然适配我们的多卡部署。
6. 长偏移距/深部成像的技术选型（#5 + #9） —— 把 TFXK 失配与 ES-FWI 放进同一张对比表，共同基线用常规 FWI + 走时层析初始模型。关键要算清楚 ES-FWI 的”每次迭代更贵但迭代更少”在总成本上是否划算 —— 摘要没给这个数字，需要读全文或自己估算。
7. 黏弹正演升级评估（#6 + N1） —— 若已有声学 FD 正演，评估升级到”GSLS 型、显式含 Q”的成本；同时评估是否要改用 H–K 本构（N1 会改变零频/低频行为，对长偏移距与低频反演有实际影响）。注意：这两条会同时改动正演与 Q-RTM，属”高价值但高侵入”的改动，建议单独立项。

C. 仅记录（暂不投入）#

8. N2（PINN + fParVI 3D 走时层析） —— 存储压缩与解析边缘化很漂亮，但走时层析不是我们的主战场；等 Pi 级 OBS 数据集需要做 UQ 时再回头看。
9. N3（4D 去混采）/ N4（双注意力 GAN 初始模型）/ N6（DiffSpecMatch） —— N3 与 W41 的 DL 去混采并列为”去混采专题”待下期合并；N4 内容未验证（无摘要）；N6 属地震工程，且代码 404。
10. N5（depth-as-channel 3D 扩散 VMB） —— 属 W41 窗口，已有 KAUST 代码（MIT）。与 #10 的”3D 直接在体上做”是两条对立路线，可作为我们选型时的对照，但本身不必立刻投入。

D. HPC 侧的具体提醒#

11. 开源栈复查（本次实测）：Devito v4.8.23 / 2026-08-07、ObsPy 1.5.1 / 2026-08-28、SeisBench v0.12.0 / 2026-06-24 —— 连续五期无新版本。下次到期复查：2026-10-26。
12. 把”去 FFT”作为黏弹/衰减成像升级的硬指标（#6）—— 一旦去掉分数阶算子与谱方法，FFT 的全局通信瓶颈消失，并行扩展性可能比 FLOPs 下降更值钱。评估时应以”128 卡下的并行效率”而非”单卡耗时”作为判据。
13. ASVGD 的并行模型先在小规模上测（#2）：粒子数 × 单粒子 FWI 成本 = 总成本。在 4 卡上测”4 粒子 vs 8 粒子（每粒子半步长）“的性价比，再决定是否上多节点 —— 因为它和 128 卡大作业共用队列，冲突要提前算清。
14. 保持”内存而非 FLOPs”作为硬约束（延续 W39/W41 判据）。本期 #6（去 FFT）与 #5（4D TFXK 的 4D 映射）都隐含内存收益，建议在评估表里新增一列”峰值显存变化”。

8.1 本期新增（按优先级）#

8.2 跨期悬置（延续 W41，本期未能推进）#

1. SPBench 项目页（seismicprocessingbenchmark.github.io/SPBench/）—— W39 已降级为每周复查，本期仍未复查，继续挂账。
2. GeoFWI3D 代码地址（2610.01033，W41 最高优先级挂账）—— 本期未推进。但本期 #2（2610.19187）使用的是同一 GeoFWI 数据集，若后续有人下载该数据集，可顺带确认数据集是否附带生成脚本。
3. 4 篇 Springer Applied Geophysics 条目（10.1007/s11770-026-1617-5 / 1608-6 / 1616-6 / 1547-2）—— 跨 ≥2 期未取 PDF。
4. W40（2026-09-28 ~ 10-04）缺档 —— 本期的历史对比只能覆盖 W38/W39/W41 三份，W40 的内容缺口永久存在，{{lookback_reports}} 实际生效数为 3 而非 4。

8.3 本期口径层面的新教训#

8.4 需人工确认的性能数字#

本期 Top 10 中给出可引用量化数字的只有 2 条：

• #7（EQNet2）：P 波精度/召回 0.9824（⚠️ 单一阈值 0.3 下，来自论文补充表 1；不是全数据集最优结果）
• #10（裂缝潜扩散）：仅定性（“复现关键统计量”），无数字

其余 8 条摘要全为定性表述（如 #6 “显著降低计算成本”、#9 “more accurate than FWI”）。本文件未对任何数字做推算或补齐；提名区 N6（DiffSpecMatch）的数字（5.00% / 2.61% / 8.47% / 0.002%）已核实来自全文，但因该条未进 Top 10，不参与本节统计。

9.1 检索路径（全部可复现）#

1. arXiv 结构化检索：export.arxiv.org/api/query?search_query=cat:physics.geo-ph&max_results=60&sortBy=submittedDate —— 取得 60 条最新条目（覆盖至 2026-10-15），按 published 过滤出窗口内条目；对候选逐条用 id_list= 取作者/摘要/许可。
2. arXiv 全文核验：arxiv.org/html/{id} 抓取正文，用于核实 Code Availability 章节 / 数据集地址 / 实验模型名 / 作者机构。
3. Crossref 期刊扫描：api.crossref.org/journals/{ISSN}/works?filter=from-created-date:2026-10-12,until-created-date:2026-10-19 批量扫描 Geophysics (0016-8033)、J. Appl. Geophys. (0926-9851) 等；对候选逐条 api.crossref.org/works/{DOI} 取完整作者/卷期/摘要。
4. 代码仓库核验：api.github.com/repos/{owner}/{repo} 取 存在性 / stars / license / pushed_at；对 404 一律标”未验证”。
5. 开源栈版本核验：api.github.com/repos/{repo}/releases/latest —— Devito / ObsPy / SeisBench。
6. 历史去重：对 AI每周总结_2026-W38.md、W39、W41 三份文件做 DOI / arXiv ID / 标题关键词 三重字符串检索，零命中即判为首次收录。

9.2 两类条数分布#

下注（Top 10 的 AI 计数）：Top 10 中 AI 条目为 #2 / #3 / #4 / #7 / #10，共 5 条；另有 #1（结构约束 4D 叠前反演，传统） 占据首条位置。为达成用户指定的 6:4 配比，第 6 条 AI 条目为提名区 N2（PINN + fParVI 的 3D 贝叶斯走时层析，GJI ggag433） —— 但本文件主榜按”对本项目相关性”排序，未因配比硬塞，故主榜实际为 AI 5 / 传统 5。这是本期唯一的配比偏差，原因与处理见 9.4。

配比达成情况：主榜实际 5:5（目标 6:4）。若需严格 6:4，建议的替换方案（二选一，均不再新检索）：

• 方案 A：用 N2（PINN + fParVI 的 3D 贝叶斯走时层析，GJI ggag433） 替换 #10（裂缝潜扩散） —— 保留传统 5 条中的 4 条并移除 #10，AI 仍 5 条，仍不达 6:4；故更合理的是：
• 方案 B：用 N2 替换 #9（ES-FWI） 或 #8（HMC vs SVGD） 之一 → 传统降至 4、AI 升至 6，达成 6:4。本文件未采用方案 B，理由是 #9 为本期唯一”大尺度实测”传统条目、#8 与 #2 构成必须并读的对照，二者替换都会损失信息；而 N2 已完整列在提名区，读者可直接取用。

9.3 历史重复 / 升级 / 新增（速览）#

9.4 条数不足或偏差的原因说明#

本期两类条数均不”不足”；唯一偏差是主榜配比 5:5 而非 6:4。 具体说明：

• 配比偏差的直接原因（客观）：本期传统方法侧产出异常强 —— 可验证候选 8 条（#1、#5、#6、#8、#9 + N1、N3 + GPR 条目 10.1190/geo-2026-1825），且其中 #1（结构约束 4D 叠前反演）在”结构先验 + 张量算子化 + 实测”三项上均强，按相关性排序天然进入首位。主榜保留 5 条传统（而非削到 4 条）是排序诚实的结果，不是”没检索到 AI”。

• AI 侧并非缺货：同期可验证 AI 候选 11 条（arXiv 9 + 期刊 2），只是与”AI+HPC+地震数据处理+FWI”直接对口的、且质量高于 #10 的只有 5 条；第 6 条最强候选（N2，PINN + fParVI 走时层析）与我们的主战场（FWI/波场）隔了一层，故列提名区而非主榜。

• 传统方法（用量）：候选 8 条，主榜用 5 条 + 提名 2 条，另有 1 条 GPR 条目（10.1190/geo-2026-1825，Earth Surface Controlled Wavefields in GPR Responses）因相关性弱未用。**无凑数。**这与 W41（需从延伸观察升入）形成鲜明对比，原因是本期为完整连续窗口 + 期刊侧在 10-13~10-16 集中上线。

• AI/地球物理（用量）：候选 11 条，主榜用 5 条 + 提名 4 条（含 #10 与 N5/N6 的窗口归属说明）。

• 偏差说明（透明披露）：本期 #1（结构约束 4D 叠前反演）排在全部 AI 条目之前，打破了 W41”AI 优先”的排序习惯。理由：它是本期唯一一条同时具备”结构先验 + 张量算子化实现 + 实测数据”三要素的工作，且其”结构约束的 matmul 实现”对我们 FWI 流程有直接的工程可移植性。排序仍按”对本项目的相关性”而非”类别”，符合模板要求。

9.5 诚实性声明#

• 所有链接、作者、机构、日期、DOI、版本号、star 数、推送时间，均来自 9.1 所述的 API / HTML / 页面实测；凡未能核实的字段，一律标注”未验证”并给出获取路径，未做任何推断或补齐。
• #2 与 #4 的”未给出数字”、#4 的”标准 FNO 不稳定”、#3 的”数学上根本性失败” 等表述，均为作者原文语义的转述，未加工、未夸大。
• 提名区 N4（双注意力 GAN）明确标注”内容未验证” —— 仅标题/作者/日期可核实，本文件没有据此做任何方法断言。
• 本文件生成过程仅做只读检索与单文件写入；未提交任何作业、未删除、未覆盖任何既有文件、未修改任何模型或数据。涉及的集群操作（如后续要跑 ASVGD 多粒子测试、EQNet2 复现）均只给方向建议，命令草稿待人工确认后再出。