闪电演讲 1：使用 OpenFWI 将地震数据转化为地下模型
主讲人：Benjamin Consolvo，Intel AI 软件工程经理，领英
会议概述
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 帮助我们探测地下，寻找对人类繁荣至关重要的地下矿产。为了找到这些关键的地下矿产，我们需要以高精度、低成本的方式对地下进行成像，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，概述如下：
| 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，但通常不易获得且价格昂贵。 | CPU 易于获得，价格低廉，并且适用于 AI 微调。新的第四代 Intel® Xeon® 可扩展处理器内置了名为 Intel® AMX（Intel® 高级矩阵扩展）的 AI 加速引擎，有助于提升 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道集。在他的示例中，道集是通过人工合成生成的时间采样记录，记录了震源（如炸药爆炸或振动卡车）发出的声音，由分布在大范围区域的地震检波器记录。对于此应用，训练数据包括一对地下模型图像和地震道集图像，通过道集预测模型。
| 地震道集图像数量 | 地下模型图像数量 | |
| 训练集 | 120,000 | 24,000 |
| 测试集 | 25,000 | 5,000 |
| 验证集 | 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，请参阅 Deng 等人 (2021) 的研究。
然后，他展示了结果
- 1 个 epoch 和 50 个 epoch 后的预测模型与真实模型对比。在训练 InversionNET 后，预测模型与真实图像更接近。
- 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，强调他成功地在第四代 Intel® Xeon® 可扩展处理器上，在没有精确初始模型的情况下，通过微调深度神经网络获得了地下模型。
在此处观看完整视频录像并下载演示文稿。更多详细信息可在本博客中找到。
关于主讲人
Ben Consolvo 是 Intel 的一名 AI 解决方案工程经理。他一直致力于围绕 Intel 的 AI 技术与硬件产品构建团队和项目。他拥有数据科学背景，尤其对深度学习 (DL) 和计算机视觉充满热情。他已将 DL 技能应用于网络安全行业，自动识别钓鱼网站，并应用于石油和天然气行业，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，Intel 高级解决方案架构师，领英
会议概述
本次会议中，Bob 首先解释了他对收集恐龙骨骼的兴趣，并概述了 Intel 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（新墨西哥州莫里森组的航空照片 - 美国西部著名的恐龙骨骼层，以及已发现的小骨骼碎片 GPS 坐标）
- 使用 Intel® Extension for PyTorch 训练一个简单的 ResNet 18 模型
- 对犹他州的航空照片进行模型评分并创建热力图
最后，Bob 展示了使用恐龙骨骼可能性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 Intel Extension for PyTorch 试用该示例。
在此处观看完整视频录像并下载演示文稿。更多详细信息可在本博客中找到。
关于主讲人
Bob Chesebrough 在软件开发/AI 解决方案工程领域拥有超过三十年的行业经验，曾为财富 100 强公司和国家实验室提供服务。他也是一位业余爱好者，在野外寻找恐龙骨骼已累计超过 800 英里和 1000 小时。他与儿子在新墨西哥州发现了侏罗纪时期已知唯一的一种鳄鱼的重要化石，他们还发现了 2000 多个骨骼化石点并将其记录入博物馆，并描述了新墨西哥州一个新的大规模骨骼层。
