近日，中国科学技术大学地球与行星物理专业张海江教授团队在人工智能地震学成像方法研究方面取得重要进展，提出了一种基于物理信息神经网络的多周期面波成像新方法PINN-SurfTomo。相关成果以“基于物理信息神经网络的多周期面波成像研究”和“Physics-informed neural networks for multi-period surface wave tomography”为题，分别在线发表于《中国科学：地球科学》及其英文版《Science China Earth Sciences》。论文第一作者是杨少博，2024年获得中国科大地球物理学博士学位后，入职安徽理工大学碳中和科学与工程学院，担任校聘副教授。
面波层析成像是研究地壳与上地幔结构的重要手段，但传统方法往往依赖初始速度模型和正则化参数的选择，并且需要对不同周期分别成像，流程繁琐且带有主观性。针对这些问题，研究团队提出的PINN-SurfTomo能够在程函方程的物理约束下，同时处理多周期面波走时，实现无网格、高分辨率智能成像。
PINN-SurfTomo采用“双网络+物理约束”的架构（图1）：走时网络用于拟合多周期面波频散走时，速度网络用于预测任意空间点的相（或群）速度，两者通过程函方程实现物理一致性约束。利用神经网络固有的空间相关性，新方法在反演过程中自然引入隐式正则化，无需初始模型和正则化参数调节，使成像结果更加客观。
图1 PINN-SurfTomo网络架构
箭头表示数据的流动方向，蓝色圆圈表示输入，橙色圆圈表示权重为σ的神经元，粉色圆圈表示网络输出，青色矩形表示不同项的损失函数。PDE：偏微分方程
研究团队利用郯庐断裂带肥东与潍坊两套密集台阵的实际数据对方法进行了系统验证（图2和图3）。结果显示，PINN-SurfTomo所获得的多周期相速度结构与传统FMST及程函成像高度一致，但PINN-SurfTomo对断裂带和构造边界有更好的约束，体现了更高的分辨率。此外，新方法在跨周期成像中呈现出更加平滑、连续的速度变化特征，体现了神经网络隐式正则化带来的稳定性优势。值得强调的是，整个反演过程无需初始模型，不需要调节平滑或阻尼等正则化参数，并可一次性处理所有周期的数据，自动化程度高。该方法还具备与频散自动提取技术无缝衔接的潜力，为面波成像向智能化、流程化方向发展提供了新的可能。PINN-SurfTomo相关代码可通过https://github.com/ShaoboYang-USTC/PINN-SurfTomo下载。
图2 PINN-SurfTomo和FMST反演的潍坊相速度分布图的比较
(a~c)分别为PINN-SurfTomo反演的1、2和3s周期的相速度分布图；(d~f)分别为FMST反演的1、2和3s周期的相速度分布图。黑色实线表示主要断裂，黑色虚线表示构造边界。
图3 PINN-SurfTomo(a)和FMST(b)反演的潍坊y=0km处相速度剖面图的比较
论文信息：
杨少博, 张海江, 陈紫昕, 刘影. 2025. 基于物理信息神经网络的多周期面波成像研究. 中国科学: 地球科学, 55(11): 3755–3768.
Yang S, Zhang H, Chen Z, Liu Y. 2025. Physics-informed neural networks for multi-period surface wave tomography. Science China Earth Sciences, 68(11): 3617–3629.
论文链接：
https://www.sciengine.com/SSTe/doi/10.1360/SSTe-2024-0349（中文版）
https://link.springer.com/article/10.1007/s11430-024-1710-5（英文版）