地震反转 - 包括后堆栈,预堆栈和全波形反转是计算和内存密集型。 最近,已经开发了几种方法,包括物理知识机器学习,以解决其中一些限制。 受量子计算潜力的激励,我们报告我们试图将一种这种经典物理学的算法映射到量子框架。 主要目标是研究这种映射的技术挑战,因为量子算法依赖于与经典计算中根本不同的计算原理。 量子计算机使用量子比特运行,量子比特利用叠加和纠缠,提供了解决经典棘手问题的潜力。 虽然目前的量子硬件是有限的,但混合量子经典算法 - 特别是在量子机器学习(QML)中 - 展示了近期应用的潜力,并且可以很容易地模拟。 我们通过开发混合量子物理信息神经网络(HQ-PINN)来将QML应用于地下成像,用于堆栈后和堆叠前地震反转。 HQ-PINN架构采用编码器-解码器结构:混合量子神经网络编码器从地震数据中估计P-和S阻抗,而解码器使用地球物理关系重建地震响应。 训练是通过最小化输入和重建的地震痕迹之间的不拟合来指导的。 我们系统地评估量子层设计、差异化策略和模拟器后端对反转性能的影响。 我们通过合成和Sleipner场数据集的倒置证明了我们方法的有效性。 HQ-PINN框架始终如一地产生准确的结果,展示了量子计算对地球科学的承诺,并为未来的量子增强地球物理工作流程铺平了道路。