机器学习数据驱动与机理模型融合及可解释性问题

• 作者: 肖立志
• 来源期刊: 石油物探
• 学科: 地球科学
• 关键词: 人工智能 机器学习 地球物理勘探 数据驱动 机理模型 融合 可解释性
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 专家论坛|Expert Forum
• 页码范围: 205-212
• 页数: 8页
• 分类号: P631
• 语种: 中文
• DOI: 10.3969/j.issn.1000-1441.2022.02.002

摘要

回顾了油气人工智能研究进展,分析其面临的一些关键问题.将油气人工智能研究分成两个层级,即学术型油气人工智能研究和工业级油气人工智能研究,两者面临不同的问题和挑战.对于学术型油气人工智能应用场景,主要是关心算法及其相关理论应用,着重于解决智能点的局部问题;对于工业级人工智能应用场景,更多的要关心数据治理、数据集、平台、多源多尺度多模态数据融合建模、数据驱动与机理模型融合建模以及机器学习模型的可解释性等问题.针对数据驱动与机理模型融合问题,提出3种途径,即算法融合、评价方法融合、数据集融合,并给出实验验证.针对油气人工智能模型的可解释性问题,指出工业级油气人工智能必须具有可解释性,并提出初步解决方案,包括建模前、建模中、建模后的多级解释模型.最后,作者认为,探寻工业级人工智能理论和应用场景发展之路,必须厘清人工智能时代"物理世界"、"数字世界"、"人类认知世界"、"机器认知世界"和"机器正在改造的世界"之间的互动关系.