ИСТИНА

Исследование и моделирование геофизических процессов в последнее время все чаще подразумевают использование методов машинного обучения или глубокого обучения. Возможности, которые предоставляют современные сложные статистические модели, эксплуатируют в задачах полевых измерений и наблюдений, камеральной обработки натурных данных, интерпретации данных дистанционного зондирования. В данных ДЗЗ проводится идентификация и построение траекторий отдельных явлений. В данных геофизического моделирования можно искать неявные и нелинейные закономерности, которые описываются линейными моделями с недостаточной точностью. Кроме этого, методы машинного обучения активно применяются для моделирования отдельных геофизических процессов или аппроксимации отдельных физических величин, решения задач статистического прогноза на различных временных масштабах. Отдельного внимания заслуживают задачи статистического масштабирования и коррекции геофизических полей, для которых в последние несколько лет разработан целый ряд подходов с применением методов машинного обучения. В то же время, спектр проблем геофизики, в которых можно применять методы машинного обучения, не ограничивается только задачами с известным результатом (т.н. задачи контролируемого обучения). В некоторых случаях подходы неконтролируемого обучения позволяют извлечь новые знания из уже имеющихся данных мониторинговых наблюдений или гидродинамического моделирования. При этом применяются методы кластеризации, аппроксимации распределений данных, снижения размерности и проч. В некоторых случаях модели искусственных нейронных сетей применяются в нишевых, но очень перспективных задачах идентификации дифференциальных уравнений в частных производных, моделирования внутренних переменных сложных систем. Несмотря на успехи статистического подхода с использованием сложных моделей в задачах геофизики, продемонстрированные в последние годы, все чаще возникают вопросы физической согласованности результатов таких моделей. Разрабатываются различные подходы как стимулирования консистентности результатов статистических моделей, так и внедрения жестких ограничений, основанных на физике описываемых процессов. Кроме отклонения от известной физики, существует также проблема правильной оценки качества, которая решена не во всех задачах геофизики. Кроме этих особенностей, характерных для самой области применения, существуют также проблемы, характерные для самого подхода машинного обучения, такие как недостоверность, зашумленность и дороговизна разметки, малое количество обучающих данных и другие. В докладе будут обсуждены вопросы наиболее содержательных направлений современных исследований подхода машинного обучения в геофизических задачах, которые будут проиллюстрированы примерами из практики и примерами из современной литературы. Также будут освещены проблемы, возникающие на пути применения методов машинного обучения в естественных науках, и наиболее перспективные направления развития.