闪电演讲 1：利用 OpenFWI 将地震数据转化为地下模型
演讲者：Benjamin Consolvo，英特尔人工智能软件工程经理， LinkedIn
会议概述
在本次会议中，Ben 首先概述了地震成像和全波形反演 (FWI)。地震成像和 FWI 帮助我们勘探地下，寻找对人类生存至关重要的地下矿物质。为了找到这些关键的地下矿物质，我们需要以高精度和低成本对地下进行成像，这涉及到两个主要挑战。他解释了使用 AI 解决这些挑战的方法，总结如下。
| 挑战 | 利用 AI 解决的方案 |
| 传统的基于物理的 FWI 需要准确的初始模型。 | 数据驱动的深度学习解决方案不需要准确的初始模型。 |
| GPU 通常用于神经网络的微调，但往往价格昂贵且不易获得。 | CPU 易于获得、价格低廉，并且适用于 AI 微调。全新的第四代英特尔® 至强® 可扩展处理器内置了名为英特尔® AMX（英特尔® 高级矩阵扩展）的 AI 加速器引擎，有助于加速 AI 训练和推理性能。 |
接下来，他展示了地下模型的波传播和相应的地震炮集。在他的示例中，炮集是合成生成的时间采样记录，记录了由地听器在广阔区域内记录到的来自一次（例如炸药爆炸或振动车）震源的声音。对于此应用程序，训练数据包括一对地下模型图像和地震炮集图像，其中根据炮集预测模型。
| 地震炮集图像数量 | 地下模型图像数量 | |
| 训练 | 120,000 | 24,000 |
| 测试 | 25,000 | 5,000 |
| 验证 | 5,000 | 1,000 |
在此应用程序中，训练期间使用的算法是 InversionNET（编码器-解码器卷积神经网络）。请查看 Deng 等人 (2021) 的论文，了解 InversionNET 架构的实现细节。
然后他展示了结果
- 一次 epoch 和 50 次 epoch 后预测模型与真实模型。在训练 InversionNET 后，预测模型与真实图像更加接近。
- 训练损失和验证损失曲线在 50 个 epoch 内随时间下降。
最后，Ben 总结了他的演讲，强调他能够在没有准确初始模型的情况下，在第四代英特尔® 至强® 可扩展处理器上成功微调深度神经网络，以获得地下模型。
关于演讲者
Ben Consolvo 是英特尔的人工智能解决方案工程经理。他一直在围绕英特尔的人工智能技术与英特尔的硬件产品相结合来建立团队和项目。他在数据科学，特别是深度学习 (DL) 和计算机视觉方面拥有背景和热情。他已将他的 DL 技能应用于网络安全行业，以自动识别钓鱼网站，并应用于石油和天然气行业，以识别地球物理成像的地下特征。
闪电演讲 2：恐龙骨骼搜寻
演讲者：Bob Chesebrough，英特尔高级解决方案架构师， LinkedIn
会议概述
在本次会议中，Bob 首先解释了他收集恐龙骨骼的兴趣，并概述了英特尔 AI 软件产品组合。
然后他解释了创建恐龙遗址藏宝图或恐龙骨骼可能性图的步骤
- 收集数据并创建训练数据（美国西部著名的恐龙骨骼产地莫里森组的新墨西哥州航拍照片和发现的小骨骼碎片 GPS 坐标）
- 使用英特尔® PyTorch 扩展训练一个简单的 ResNet 18 模型
- 在犹他州的照片上对模型进行评分并创建热图
最后，Bob 展示了利用恐龙骨骼可能性图在犹他州发现恐龙骨骼的结果。前往GitHub 存储库访问代码示例，并使用英特尔 PyTorch 扩展试用该示例。
关于演讲者
Bob Chesebrough 在财富 100 强公司和国家实验室从事软件开发/AI 解决方案工程工作已超过三十年。他还是一位业余爱好者，在野外寻找恐龙骨骼已超过 800 英里和 1000 小时。他和他的儿子在新墨西哥州发现了侏罗纪时期唯一已知鳄鱼的重要化石，他们还发现了并记录到博物馆 2000 多处骨骼地点，并描述了新墨西哥州一处新的大规模骨骼床。