ИСТИНА

В настоящее время нейронные сети успешно применяются для решения обратных задач геофизики. НС подход выгодно отличается от классического Тихоновского тем, что «плохая» нелинейная оптимизационная задача построения (обучения) НС аппроксиматора (являющегося приближённым обратным оператором задачи) решается один раз в заданном классе сред на основе заранее построенного множества опорных решений задач. Обученный НС аппроксиматор позволяет формализовано в режиме реального времени без задания первого приближения находить решение обратной задачи в заданном классе сред за первые десятки секунд на персональном компьютере. Для реальных нелинейных обратных 2D-3D задач геоэлектрики приходится строить достаточно сложные нейронные сети, которые изначально учитывают свойственную решаемой задаче физику проблемы [1]. При этом применяется принцип декомпозиции и вводится понятие локального НС аппроксиматора. Позднее сети, адаптированные к физике задачи, стали называть физически информированными нейронными сетями - ФПНС (PINN - physics-informed neural network). В [2] были представлены примеры построения ФПНС для решения прямых и обратных задач математической физики. Современная авторская версия НС метода реализована в архитектуре сверточной ФИНС CNN.INV [3, 3], адаптированной к особенностям электромагнитных полей, применяемых в геоэлектрике Развитие концепции ФИНС позволяет создавать НС-архитектуры, которые сочетают высокую вычислительную эффективность, устойчивость к шуму и физическую согласованность решений.