Diffusion models for multivariate subsurface generation and efficient probabilistic inversion
Roberto Miele, Niklas Linde
Diffusion模型为深度生成建模任务提供稳定的培训和最先进的性能。 在这里,我们考虑他们在多变量地下建模和概率反转的背景下使用。 我们首先证明,与变异自动编码器和生成对抗网络相比,扩散模型增强了多变量建模能力。 在扩散建模中,生成过程涉及相对较多的时间步骤,更新规则可以修改以考虑条件数据。 我们提出了不同的更正,以流行的Diffusion后采样方法由Chung等人。 (2023年)。 特别是,我们引入了扩散建模固有的噪声污染的可能性近似。 我们评估多变量地质情景中的性能,涉及浮点和相关的声学阻抗。 使用局部硬数据(井日志)和非线性地球物理(全栈地震数据)进行演示条件建模。 我们的测试显示,与原始方法相比,显着提高了统计稳健性,增强了后概率密度函数的采样并降低了计算成本。 该方法可单独或同时与硬调和间接调节数据一起使用。 由于反转包含在扩散过程中,它比其他需要围绕生成模型外循环的方法更快,例如马尔可夫链蒙特卡洛。
Diffusion models offer stable training and state-of-the-art performance for deep generative modeling tasks. Here, we consider their use in the context of multivariate subsurface modeling and probabilistic inversion. We first demonstrate that diffusion models enhance multivariate modeling capabilities compared to variational autoencoders and generative adversarial networks. In diffusion modeling, the generative process involves a comparatively large number of time steps with update rules that can...