全波形反演（FWI）是地球物理高分辨率成像的核心技术，在油气勘探、地下储碳和地震灾害评估等领域具有重要应用价值。然而，该方法本质上是一个强非线性、非凸且病态的逆问题，严重依赖初始模型，容易陷入局部极小并产生跳周期（cycle-skipping），难以稳定刻画地下介质的多解性与不确定性。现有基于人工智能的确定性反演方法虽能提升效率，但通常将地震数据到速度模型的关系压缩为单值映射，难以反映真实的后验分布。

中国科学院地质与地球物理研究所博士研究生盖子诚，在导师王彦飞研究员的指导下，提出了基于物理信息分数生成建模的稳健全波形反演新方法 sFWI。该方法将全波形反演从传统“求一个最优解”的确定性优化问题，重构为“对后验分布进行采样”的概率推断问题，通过学习观测地震数据约束下地下速度模型的概率分布，显式表达反演过程中的多解性与不确定性。

研究团队进一步构建了由“群组分数搜索”（GSS）和“解耦退火后验采样全波形反演”（DAPS-FWI）组成的分层框架（图1）。前者从随机高斯噪声出发，在无需初始模型的条件下全局搜索潜在解空间；后者将扩散生成过程与声波方程相结合，在 Wasserstein-2 距离约束下对候选模型进行物理一致性的局部精细修正。与朴素随机搜索相比，GSS 在单 GPU 上实现了约 8.6 倍加速。

图1 sFWI 总体框架示意图。该方法由 GSS 全局搜索与 DAPS-FWI 局部精修两个阶段组成，可在无初始模型条件下完成地下速度模型反演

在此基础上，研究者系统验证了 sFWI 在不同复杂度地质模型上的反演效果。结果表明，相比传统 FWI、InversionNet 以及多种自编码器方法，sFWI 在断层、倾斜构造和精细层状结构恢复方面表现出更强的鲁棒性，能够显著减轻局部极小和跳周期问题的影响，并在一次运行中生成多个与观测数据相容的合理地下模型（图2）。

图2 sFWI 与传统 FWI、InversionNet 等方法在不同复杂地质模型上的对比结果

对比实验表明，该方法在 SEAM Phase I 基准数据集的 1000 个测试样本上，相比 InversionNet 将归一化均方根误差（NRMSE）降低了 63%，结构相似性（SSIM）提升了 243%，峰值信噪比（PSNR）提升了 104%（增加 8.77 dB）。进一步的集合分析还显示，sFWI 不仅能给出反演结果，还能输出像素级不确定性信息，为复杂地质体成像中的风险评估提供了新的量化手段（图3）。

图3 sFWI 在 SEAM Phase I 测试集上的像素级不确定性表征结果

这一研究突破了传统全波形反演对初始模型强依赖、难以刻画多解性和不确定性的瓶颈，为地球物理反演从确定性优化走向概率推断提供了新思路。未来，研究团队将进一步推动该方法向多炮联合反演、更高维度以及更复杂波动物理场景拓展，为智能地球物理成像与地下资源精细探测提供支撑。

研究成果发表于国际学术期刊 MLST（盖子诚，王彦飞^*. sFWI: physics-informed score-based generative modeling for robust full waveform inversion [J]. Machine Learning: Science and Technology, 2026, 7: 025044. DOI: DOI: 10.1088/2632-2153/ae55fb.）。研究获得国家重点研发计划（2024YFA1012304）和国家自然科学基金项目（42450232，12171455）资助。

盖子诚（博士生）