
闪电演讲 1:利用 OpenFWI 将地震数据转化为地下模型
主讲人:Benjamin Consolvo,英特尔人工智能软件工程经理, 领英
会议概述
本次会议中,本·康索尔沃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,以寻找对人类生存至关重要的地下矿物。为了找到这些关键的地下矿物,我们需要以高精度和低成本对地下进行成像,这涉及到两大挑战。他解释了使用人工智能解决这些挑战的方案,总结如下。
挑战 | 人工智能解决方案 |
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,但往往不可用且昂贵。 | CPU 高度可用、价格低廉,并且适用于人工智能微调。新的第 4 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)的人工智能加速引擎,有助于加速人工智能训练和推理性能。 |
接下来,他展示了地下模型的波传播和相应的地震炮点采集。在他的例子中,炮点采集是人工合成的时间采样记录,记录了由散布在大范围区域的地震检波器从一个炮点(例如炸药爆炸或振动车)记录的声音。对于此应用程序,训练数据包括地下模型图像和地震炮点采集图像的对,其中预测了炮点采集中的模型。
地震炮点图像数量 | 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)。请查阅 Deng 等人 (2021) 中 InversionNET 架构的实现细节。
然后他展示了结果
- 一个 epoch 和 50 个 epoch 后预测与真实模型的比较。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 中随时间下降。
最后,Ben 总结了他的演讲,强调他成功地在没有准确初始模型的情况下,在第 4 代英特尔® 至强® 可扩展处理器上微调了深度神经网络,以获得地下模型。
在此观看完整视频录像并下载演示文稿。更多详情请参阅这篇博客。
关于主讲人

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构建团队和项目。他拥有数据科学背景和热情,尤其擅长深度学习 (DL) 和计算机视觉。他已将 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
主讲人:Bob Chesebrough,英特尔高级解决方案架构师, 领英
会议概述
在本次会议中,Bob 首先介绍了他对收集恐龙骨骼的兴趣,并概述了英特尔人工智能软件组合。
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(新墨西哥州莫里森组的航拍照片——美国西部著名的恐龙骨骼床和已发现的小骨骼碎片的 GPS 坐标)
- 使用英特尔® PyTorch 扩展训练一个简单的 ResNet 18 模型
- 对犹他州照片进行模型评分并创建热图
最后,Bob 展示了使用恐龙骨骼可能性地图在犹他州发现恐龙骨骼的结果。访问GitHub 仓库以获取代码示例,并使用英特尔 PyTorch 扩展尝试该示例。
在此观看完整视频录像并下载演示文稿。更多详情请参阅这篇博客。
关于主讲人

Bob Chesebrough 在软件开发/人工智能解决方案工程领域拥有超过三十年的行业经验,曾服务于财富 100 强公司和国家实验室。他也是一位业余爱好者,已在野外花费 800 多英里和 1000 小时寻找恐龙骨骼。他与儿子们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,他们还发现并记录了 2000 多个骨骼地点到博物馆,并在新墨西哥州描述了一个新的大型骨骼床。