计算机科学与技术学院举行2023年第12期学术沙龙

-博士论坛

徐勇博士作题为“物理约束混合深度学习模型在矿产勘查地球化学数据立方体挖掘中的应用”的学术报告

2023年11月7日下午5:00，在综合实验楼309学术会议室，计算机科学技术学院信息安全研究所开展了一次学术交流活动，徐勇博士做了题为《物理约束混合深度学习模型在矿产勘查地球化学数据立方体挖掘中的应用》的学术报告。报告由董仕副院长主持，信息安全研究所网络空间安全科研团队成员参加了此次报告会。

徐勇老师主要分析了地球化学调查数据提供了丰富的信息，地球化学元素浓度及其空间格局与矿化或污染的关系。利用地球化学栅格图生成地球化学数据立方体，将地球化学样品插值到栅格图中即可得到地球化学栅格图。在这些地图中，每个像素都包含记录特定位置特征的地球化学光谱。捕捉相邻像素和被研究像素之间关系的空间结构信息在这些栅格图中也是可见的。因此，同时考虑地球化学光谱和空间格局对于矿产勘查地球化学数据立方体的挖掘至关重要。在这项研究中，提出了一个由一维卷积神经网络(1dcn)和图形卷积网络(GCN)组成的两个深度学习算法的混合体系结构，用于从地球化学调查数据中提取联合的频谱-空间特征，以支持矿产勘查。采用以像素为输入数据的1DCNN 模型对研究像素的地球化学光谱特征进行建模。这涉及到所有现有的地球化学主要元素和微量元素，并考虑到了正的和负的地球化学异常。以输入数据为图形的 GCN 用于捕获与矿化有关的空间格局。然后通过在混合模型中加入地质领域知识，建立物理约束的深度学习模型，以提高混合模型的性能和解释能力。以鄂西北地区矿化相关地球化学异常识别为例，验证了物理约束混合深度学习模型的有效性。通过与1DCNN + GCN、1DCNN 和 GCN 的对比研究，物理约束混合方法能够有效地提取和融合隐藏在地球化学中的地球化学光谱和空间特征。

科研组全体成员对物理约束混合深度学习模型在矿产勘查地球化学数据立方体挖掘中的应用进行了热烈讨论，加强了对此项研究的认识。

图文编辑：于来行

审核：董仕