隨著油氣勘探目標日益復雜，地震勘探技術亟待升級。東方物探全球首創的“兩寬一高”技術成為行業引領，但其核心環節——全波形反演（FWI）因依賴高算力數值求解（如聲波/彈性波方程），面臨巨大成本挑戰。
2025年5月28日，3000億參數昆侖大模型發布會在京舉辦，全面展示昆侖大模型建設應用成果，見證人工智能對行業發展的變革影響。
2024年，中石油啟動“人工智能+”行動，依托昆侖大模型聚焦FWI科學計算攻關。由中石油東方物探、人大高瓴人工智能學院、華為計算產品線AI4S Lab組成的產學研團隊，突破FWI算力瓶頸，解決FWI正反演過程算力成本高、技術發展推廣難的問題。研發AI驅動的FWI新一代解決方案，實現地震波求解效率量級提升，推動油氣勘探“AI換芯”進程。
該研究基于昇思MindSpore AI4S使能套件，通過數據與機理雙驅動的解決方案、應用昇思自動微分技術，并基于擴散模型的三維地質數據生成技術提升求解效率。
技術亮點
圖1. 模型推理過程示意
關鍵技術一：
數據與機理雙驅動的波動方程智能求解方法
基于神經算子構建物理引導正演模型框架，深度融合數值求解器數學機理，增強解釋性與泛化能力。網絡編碼解析速度場、震源等輸入參數，構造物理約束損失函數。創新采用“混合專家（MOE）預訓練 +微調”的訓練策略，大規模預訓練分頻段學習波場傳播特征，增強對多種震源波形的適應能力。少量真實數據微調提升實際場景求解能力。推理實現“神經網絡預測-傳統算法修正”協同計算范式，保留求解器高精度的同時提升聲波方程求解效率1個數量級。
關鍵技術二：
基于自動微分的反演框架
基于MindSpore自動微分框架，構建可微分正演流程，從而在反演中省去傳統伴隨方法波場反傳過程，直接自動求取速度模型梯度修正量，減少了約 50% 計算量的同時大大簡化了計算流程。支持靈活切換多種反演策略，并引入多種多參數優化相關優化策略，有助于跨過周期跳躍導致的局部最優，顯著降低反演對準確初始速度模型的依賴。
關鍵技術三：
基于擴散模型的三維地質數據生成技術
首創基于擴散模型的技術，通過漸進式噪聲添加與去噪機制捕捉復雜地質結構特征，解決三維地質速度模型數據稀缺的問題。采用大規模模擬數據預訓練 + 少量真實場景數據微調的訓練策略。成功生成包含斷層、鹽丘等復雜地質構造的速度模型，涵蓋不同地質條件和反演中間狀態。突破傳統數據采集限制，極大豐富正演模型訓練所需數據規模，為成功訓練奠定基礎。
價值收益
圖2. a) 地震數據 (黑白) 與模擬數據 (紅藍) 精確疊合；b) 反演的初始速度模型；c) 反演結果用于成像顯示出清晰的地層輪廓
該解決方案在求解效率提升10倍以上，并在落地應用上得到驗證：
1.求解效率量級躍升：
二維/三維聲波方程正演計算效率提升4-6倍，全波形反演整體效率提升超10倍，初始模型依賴程度降低40%，為FWI技術的工業化應用掃清了關鍵障礙。未來有望將三維FWI處理從“數月級”縮短至“周級”，5分鐘智能反演可完成傳統集群數小時工作量。 使高精度成像計算更易獲得，實現聲波高精成像算力平權。
2.工業化落地與賦能：
已完成二維實際資料驗證及三維模型小試。成功實現某海洋拖纜資料6km測線二維反演生產驗證，效率提升10倍以上，反演顯示清晰淺層輪廓和高精度成像潛力，精度達標。計劃于2025年在中石油2-3個生產項目試點。未來將集成端到端智能賦能的FWI應用模塊到東方物探核心軟件系統GeoEast，實現“智能化換芯”。
未來，AI驅動的FWI新一代解決方案有望引領行業范式革新：不僅推動FWI發展，也為地質勘探、醫學成像等領域的反問題求解提供新方法論，推動全產業鏈智能化升級。
