闪电演讲 1：使用 OpenFWI 将地震数据转换为地下模型
演讲者：Benjamin Consolvo，英特尔 AI 软件工程经理，LinkedIn
会议概览
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 帮助我们勘探陆地，寻找人类繁荣发展所需的重要的地下矿藏。为了找到这些关键的地下矿藏，我们需要以低成本高精度地对地下进行成像，这涉及两个主要挑战。他解释了使用 AI 解决这些挑战的方案，总结如下。
| 挑战 | 使用 AI 的解决方案 |
| 传统的基于物理的 FWI 需要精确的初始模型。 | 数据驱动的深度学习解决方案不需要精确的初始模型。 |
| GPU 通常用于微调神经网络，但通常不可用且价格昂贵。 | CPU 易于获得、价格低廉，并且适用于 AI 微调。新型第四代英特尔® 至强® 可扩展处理器具有内置的 AI 加速引擎，称为英特尔® AMX（英特尔® 高级矩阵扩展），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，时间采样的声音记录，这些记录来自由分布在广阔区域的地音检波器记录的爆炸（如炸药爆炸或可控震源车）。对于此应用，训练数据由地下模型图像和地震炮集图像对组成，其中预测炮集的模型。
| 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 |
在此应用中，训练期间使用的算法是 InversionNET（编码器-解码器卷积神经网络）。有关 InversionNET 架构的实现细节，请查看 Deng 等人 (2021)。
然后他展示了结果
- 一个 epoch 后和 50 个 epoch 后的预测模型与真实模型对比。训练 InversionNET 后，预测模型更接近真实图像。
- 训练损失和验证损失曲线在 50 个 epoch 内随时间递减。
最后，Ben 总结了他的演讲，重点强调他能够在没有精确初始模型的情况下成功微调深度神经网络，从而在第四代英特尔® 至强® 可扩展处理器上获得地下模型。
观看完整视频录像并下载演示文稿。更多详细信息可以在这篇博客中找到。
关于演讲者
Ben Consolvo 是英特尔的 AI 解决方案工程经理。他一直在围绕英特尔的 AI 技术和英特尔的硬件产品组建团队和项目。他拥有数据科学方面的背景和热情，尤其是在深度学习 (DL) 和计算机视觉方面。他已将其 DL 技能应用于网络安全行业，以自动识别网络钓鱼网站，并应用于石油和天然气行业，以识别用于地球物理成像的地下特征。
闪电演讲 2：恐龙骨骼寻宝
演讲者：Bob Chesebrough，英特尔高级解决方案架构师，LinkedIn
会议概览
在本次会议中，Bob 首先介绍了自己对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地图的步骤
- 收集数据并创建训练数据（美国西部著名的恐龙骨骼床层 Morrison 地层的空中照片以及发现的小骨骼碎片的 GPS 坐标）
- 使用 英特尔® PyTorch 扩展训练简单的 ResNet 18 模型
- 对犹他州的照片进行模型评分并创建热图
最后，Bob 展示了结果，表明在犹他州使用恐龙骨骼可能性地图发现了恐龙骨骼。转到 GitHub 存储库以访问代码示例，并使用英特尔 PyTorch 扩展试用该示例。
观看完整视频录像并下载演示文稿。更多详细信息可以在这篇博客中找到。
关于演讲者
Bob Chesebrough 拥有超过三十年的软件开发/AI 解决方案工程行业经验，服务于财富 100 强公司和国家实验室。他也是一位业余爱好者，在野外寻找恐龙骨骼的里程超过 800 英里，时间超过 1000 小时。他和他的儿子们在新墨西哥州发现了一个重要的化石，这是侏罗纪时期唯一已知的鳄鱼类动物，他们还在博物馆中发现了并记录了 2000 多个骨骼地点，并在新墨西哥州描述了一个新的大型骨骼床。
