玻尔百科绘制地球不可见的地下结构是地球科学中的一个根本性挑战。虽然我们可以精确测量地表的引力场，但推断产生这一力场的地下密度分布，这项任务被称为重力反演问题。这项工作远非一帆风顺，因为地下质量与其地表引力特征之间的数学关系充满了固有的模糊性和不稳定性，在测量与解释之间造成了巨大的知识鸿沟。本文对这个引人入胜的问题进行了全面概述。第一部分“原理与机制”将剖析重力反演问题之所以病态的核心原因，探讨非唯一性和不稳定性的概念，并介绍驯服此问题的关键技术——正则化。随后，“应用与跨学科联系”部分将展示这些原理如何在地球物理学中付诸实践，从矿产勘探到大陆尺度的测绘，并揭示其与机器学习、气候科学等不同领域的惊人联系。
想象你是一名侦探，站在一间密室外。你不能进去，但能感觉到地板上微妙的振动。你必须根据这些微弱的震颤，不仅要推断出房间里有谁，还要推断出他们在做什么以及他们站在哪里。这就是重力反演问题所面临的挑战。我们站在地球表面，我们的“振动”就是引力场从一处到另一处的微小变化。我们的任务是绘制出潜藏在我们脚下深处的质量和密度的隐秘图景。
在尝试解开我们的谜团之前，让我们先考虑一个更简单的问题：如果我们知道房间里有什么，我们能预测出振动吗？对于重力来说，答案是响亮的“是”。这就是正演问题。感谢 Isaac Newton，我们知道每一粒质量，无论多小，都会产生引力。我们在地表任何一点测得的重力，都只是下方所有岩石颗粒引力的总和。
为了让这个想法更具体，我们可以将地球的地下想象成一个由大量块体或单元组成的集合，每个单元都有其自身的密度。我们脚下的一块高密度铁矿石对我们重力仪的拉力，会比远处一块密度较低的砂岩强得多。我们可以用一个优美简洁的方程来写下这种关系。如果我们让 代表所有单元密度值的列表， 代表我们在地表进行的重力测量值列表，它们通过一个矩阵 连接起来：
这个方程是正演模型的核心。矩阵 是我们的“罗塞塔石碑”；它是一个巨大的数字表格，精确地告诉我们每次测量对每个地下单元密度变化的敏感程度。它的条目由不可动摇的物理定律——具体来说，就是引力随距离减弱的方式——所决定。解决正演问题是“容易的”；它只是一个矩阵乘法的问题。但我们的真正目标——反演问题，则要求我们像倒放电影一样反向推演。
如果我们有测量值 和敏感度矩阵 ，难道不能直接解出密度模型 吗？或许通过对矩阵 求逆？正是在这里，简单的图景破碎了，反演问题的真正、深刻的困难显现出来。法国数学家 Jacques Hadamard 教导我们，一个问题要被认为是适定的，必须满足三个常识性条件：解必须存在，必须唯一，并且必须稳定——这意味着我们测量中的微小误差不应导致我们的解偏离到荒谬的境地。而原始形式的重力反演问题，在这三个条件中至少有两条上惨败。
让我们从唯一性开始。地下是否存在唯一一种质量排列方式，能够产生我们在地表测量的引力场？惊人的答案是“不”。事实上，存在无限多种。
这是像重力这样的位场的一个基本属性。经典的例子是一个中空的球壳质量体。从该球壳外的任何地方看，其引力都与一个位于球心、总质量相同的单点完全相同。对于外部观察者来说，一个行星大小的乒乓球和一个微小、超高密度的球丸在引力上可能是无法区分的。
这就引出了一个诡异的概念——零空间。存在一些复杂的正负密度异常组合，当它们加在一起时，在其自身体积之外产生的引力效应恰好为零。我们可以取重力问题的任一有效解——任何与我们的数据拟合的地下图——并给它加上一个这样的引力“幽灵”。结果是一个新的、不同的质量分布，它同样完美地拟合我们的数据。地表的观测数据对这些附加物是“盲目”的。这种固有的模糊性，这种非唯一性，不是我们测量或数学的失败；它交织在重力本身的结构之中。
即使存在唯一的解，我们也会面临第二个、更剧烈的障碍：不稳定性。想想重力的作用。它会使事物平滑。山脉的尖锐、崎岖的细节从远处看会融合成一个平缓、起伏的山丘。同样，引力场是下方复杂地质极其平滑的表达。精细的细节——矿脉的锐利边缘、小盐丘的边界——都被冲刷掉了。正演算子 是一个平滑算子。
我们可以从两个互补的角度来看待这一点。在空间世界中，当我们离源越来越远时（例如，通过从飞机上而不是在地面上进行测量），一块质量体的引力影响会扩散并减弱。它的特征变得几乎与旁边的块体无法区分。在我们的矩阵 中，这意味着对应于深处或远处单元的列变得几乎相同，或称共线。试图用几乎相同的列来解方程组是灾难的根源；该矩阵被称为病态的。
一个更强大的理解方式是，从波或空间频率的角度来思考。一个具有尖锐边缘的“块状”地下结构包含大量高频空间信息。一个平滑、起伏的地下结构则以低频为主。重力物理学决定了它扮演着低通滤波器的角色：它让来自大型地质体的低频、长波长信号通过，但会指数级地衰减来自小型、尖锐特征的高频信号。这些精细的细节几乎从我们在地表测量的数据中被抹去了。
为了解决反演问题，我们必须尝试撤销这种平滑。我们必须构建一个“放大器”，将那些高频信号提升回其原始强度。但陷阱就在这里：我们的测量总是被噪声污染。这种噪声不平滑；它包含所有频率的摆动，包括非常高的频率。当我们对数据应用高频放大器时，我们不仅在恢复地球隐藏细节的微弱信号，同时也在以天文数字般的量级放大了高频噪声。最终得到的解完全被无意义的、振荡的垃圾所淹没。这就是不稳定性。形式上，我们说重力算子的逆是无界的。
因此，原始的反演问题是一个充满非唯一性和不稳定性的雷区。一个“天真”的求解 的尝试注定要失败。这是否意味着我们必须放弃？完全不是。这意味着我们必须更聪明。我们不能要求得到那个唯一的真解，因为它根本不存在。相反，我们必须寻求一个与我们的数据拟合的、合理的解。为此，我们基于我们的地质知识和对简单性的渴望引入额外的信息。这个过程被称为正则化。
我们必须面对的第一种偏见是重力固有的对浅层的偏好。质量的引力随距离衰减。这意味着地表附近一小块致密的岩石可以产生与深埋地壳中的一个大得多的地质体相同的重力信号。如果我们要求一个反演算法简单地拟合数据，它几乎总是会选择“最廉价”的选项：将所有异常质量尽可能集中在地表附近。这会导致地质上荒谬的模型。
为了抵消这一点，我们可以引入一个深度加权函数。我们修改我们的目标：我们现在不仅要拟合数据，还要惩罚那些不公平地集中在地表的解。妙处在于，我们可以通过要求我们的反演对所有深度的源都“民主公平”来推导出这个加权函数的完美数学形式。通过分析我们的测量敏感度如何随深度衰减，我们发现，对于一个有限大小的勘测，矩阵 （它衡量了对一个单元的总体敏感度）的对角线元素会像 一样衰减。为了平衡这一点，我们的加权函数必须施加一个随靠近地表而增长的惩罚。理想的加权函数结果是 ，其中 是深度。这不是一个随意的选择；它是一套数学物理工具，旨在精确抵消问题的几何偏见。
即使有深度加权，我们仍然面临着从无限多个可能的解中进行选择的问题。最简单的正则化形式，称为吉洪诺夫（Tikhonov）正则化，是要求一个“简单”的解——一个在总体幅度上小或平滑的解。我们在目标函数中添加一个惩罚项，该项衡量解的大小或粗糙度，然后我们寻找一个在拟合数据和保持该惩罚项较小之间取得平衡的模型。我们甚至可以使用像L曲线这样的工具来找到这种平衡的“最佳点”。
然而，地球并不总是平滑的。它的地质构造常常是“块状”的，即清晰的断层分隔开不同的岩石类型。一个简单的平滑正则化器会模糊这些关键特征。我们需要一个更复杂的工具，一个允许尖锐边界的工具。
这就是稀疏性的魔力所在。与其要求模型处处平滑（意味着其梯度处处都小），如果我们要求其梯度是稀疏的呢？稀疏梯度是指几乎处处为零，只有少数非零尖峰的梯度。一个具有稀疏梯度的模型是分段常数模型：它由平坦区域（零梯度）和突变跳跃（非零梯度）组成。这是一个块状模型的数学定义。
实现这一点的工具是全变分（TV）正则化。标准的平滑惩罚使用梯度的 范数（平方和），而TV使用 范数（绝对值之和）。这个微妙的改变产生了巨大的影响。 范数厌恶大值，倾向于将变化分散到许多小步长中，从而产生平滑性。而 范数则完全乐于接受大的跳变，只要它们不频繁出现即可。通过选择基于TV的正则化，或像Huber惩罚这样融合了两全其美思想的相关方法，我们可以引导我们的反演朝向地质学中如此常见的尖锐、块状结构。
选择假设什么——平滑性、块状性或其他——反映了我们的先验地质知识。最终恢复的图像不是绝对的真相，而是与我们在地表的测量和我们对地下世界的指导性假设都一致的最合理的地下图景。反演的旅程是数据与信念之间、世界告诉我们的信息与我们认为合理的事物之间的一场优美舞蹈。
在经历了重力反演问题基本原理的旅程后，我们可能倾向于将其视为一个相当专业，甚至有些深奥的数学难题。我们已经看到，从给定的引力场无法推断出唯一的源分布。这本身就是一个深刻而优美的结果。但这个优雅的难题对现实世界有任何影响吗？事实证明，答案是响亮的“是”。反演问题并非学术上的好奇心；它是一种强大而实用的工具，一旦掌握了其精妙之处，就能让我们窥探未知，从地球的中心到其气候的复杂运作。我们揭示的原理不仅限于重力；它们在众多科学学科中回响，揭示了我们在对不可观测事物进行推理时所用方法的一种美妙统一性。
重力反演最直接和经典的应用在于地球物理学：创建地球地下结构的地图。地质学家和资源勘探者当然无法直接看到数英里之下复杂的岩层、矿床和地下结构的织锦。他们能做的是以极高的精度测量地球的引力场。这个场的变化，或称“重力异常”，揭示了下方密度变化的存在——一个致密的矿体对重力仪的拉力会比多孔的沉积岩稍强一些。
那么，挑战就是将地表重力异常图转化为地下密度图。这正是重力反演问题。我们的理论之旅教会我们要保持警惕。直接、天真的反演注定失败，因为测量中最轻微的噪声都会被灾难性地放大，产生一堆毫无意义的密度值。我们必须“正则化”问题，驯服其狂野的本性。一种经典的方法是认识到正演算子，即连接我们的地下模型与数据的矩阵 ，是病态的。它的奇异值迅速衰减，意味着它对某些模型特征的敏感度远高于其他特征。诀窍是丢弃问题中受噪声污染最严重的部分。使用像截断奇异值分解（TSVD）这样的技术，我们可以系统地舍弃与最小、最不稳定奇异值相对应的分量。这就像一个滤波器，牺牲了一些分辨率，但给了我们一个稳定、有意义，尽管是平滑的地下图像。
为了锐化我们的视野，我们不仅可以测量引力场本身，还可以测量其空间变化率——重力梯度张量。这提供了更高分辨率的数据，对地下地质体的边缘尤为敏感。但基本的模糊性依然存在。想象我们探测到一个宽广、平缓的重力异常。它是由一个巨大、深埋的地质体引起的，还是由一个密度较低、较浅的地质体引起的？这种“长波长模糊性”是地球物理学中的一个经典难题。正则化再次向我们伸出援手。通过使用像Levenberg-Marquardt算法这样的方法，我们可以构建一个惩罚特定类型解的目标函数。例如，我们可以惩罚那些过于复杂或密度变化过大的模型。这具有“引导”解的效果。如果我们正在寻找一个浅层目标，可以调整正则化来抑制那些受数据约束很差的深部、长波长特征的影响，从而让近地表结构在反演中更清晰地显现出来。
当我们的雄心壮志扩展到绘制整个大陆或行星体时，问题的巨大规模成为一个 formidable 的障碍。一个现实的3D模型可能涉及数百万甚至数十亿个未知的密度值。相应的正演算子矩阵将是天文数字般巨大，甚至无法存储在计算机内存中，更不用说求逆了。在这里，问题与高性能计算的世界联系起来。我们必须放弃显式矩阵，转而使用“无矩阵”方法，这种方法只要求我们计算矩阵对向量的作用。一种名为快速多极子方法（FMM）的优美算法正是这样做的，它将计算个源的引力场的计算成本从暴力计算的 降低到近线性的 。
更优雅的是，当我们使用伴随状态法计算目标函数的梯度时，我们需要进行两次计算：一次“正向传播”以计算预测数据（），以及一次“伴随传播”以将残差反向传播到模型空间（）。因为引力核是对称的——物体A对B的拉力与B对A的拉力相同——所以两次计算的底层结构是相同的。这意味着我们可以计算一次FMM中昂贵的、与几何相关的部分，并将其重用于两次传播，几乎将计算时间减半。这种“买一送一”的交易是物理学的一份礼物，是利用问题深层对称性带来巨大计算节省的完美例子。
到目前为止我们讨论的正则化反演通常产生平滑的、“团块状”的密度图像。这通常已经足够，但地质学家知道地球不是由团块构成的。它是由具有清晰边界、断层和褶皱的独特岩石单元构成的。为了恢复这类结构，我们必须在定义未知模型的方式上更加复杂。这就是*参数化*的艺术。
与其让每个体素的密度都是一个独立的未知数，我们可以使用一个“水平集”函数来描述地下，这是一个平滑场，其零等值线隐含地定义了地质体（如盐丘）的边界。现在的未知数是这个水平集场的值，而不是密度本身。这种变量的改变对反演问题有深远的影响。它将我们的地质假设——我们正在寻找一个具有清晰边界的地质体——直接构建到数学公式中。这通常会导致一个条件更好的问题，并使我们能够恢复用简单的基于体素的方法无法获得的、地质上真实的形状。参数化的选择是一个关键的设计决策，将反演理论与计算几何和数值分析领域联系起来。
我们还可以更进一步。地质学家积累了大量关于特定区域中何种模式和结构是合理的知识。例如，他们知道某些沉积层以可预测的方式堆叠，或者河道具有特有的蜿蜒几何形状。我们能否将这种复杂的、“风格化”的知识注入到我们的反演中？令人惊讶的是，可以。使用一种称为地质统计学的领域的方法，我们可以分析一个“训练图像”——一个代表我们先验地质知识的概念模型——并提取局部模式或“基元”的统计分布。然后我们可以在我们的反演目标函数中添加一个项，惩罚任何其局部模式偏离该训练分布的解。这种“多点统计”（MPS）先验是一种强大的方式，可以引导反演走向不仅拟合重力数据，而且在地质上“看起来”正确的解，从而防止过拟合并产生更具解释性的结果。
单凭重力数据本质上是模糊的。但如果我们将其与其他类型的地球物理数据结合起来呢？这就是*联合反演*的策略，它是现代地球科学中最强大的思想之一。每种类型的数据都提供了谜题的不同部分，通过将它们组合在一起，我们可以极大地减少模糊性。
重力的天然搭档是磁法数据。重力响应密度，而磁法响应磁化率。这两种属性通常（但并非总是）相关。一个简单而强大的联合反演可以通过同时求解密度和磁化率来构建，其中关键的物理约束是密度必须为非负——不存在“反引力”质量！这个简单的约束使得问题成为一个约束优化问题，已经有助于缩小可能解的范围。只要它们的数学公式兼容，重力和磁法问题就可以一起解决，各自帮助约束对方。
不同物理属性之间的耦合可以更加明确。岩石物理学家在实验室和钻孔中研究岩石属性之间的关系。例如，他们知道在给定的地质环境中，不同的岩石类型（如砂岩、页岩、石灰岩）倾向于在密度-磁化率图的特定区域聚集。我们可以使用统计先验，如高斯混合模型（GMM），将这种知识编码到我们的反演问题中，其中每个高斯分量代表一种特定的岩石类型。然后，反演会寻找一个不仅拟合重力和磁法数据，而且由这些已知岩石类型的合理组合构成的地下模型。这直接将地球物理反演问题与统计岩石物理学联系起来。
这种合作关系不仅限于重力和磁法。地震学，即研究声波在地球中传播的学科，提供了关于地震波速的丰富信息。在许多情况下，存在着众所周知的经验定律，如Gardner关系式，将地震波速（）与密度（）联系起来。这为两个完全不同的物理领域之间提供了一座确定性的桥梁。我们可以联合反演地震走时数据和重力梯度数据，使用Gardner关系式来强制一致性。一个必须同时满足声学和引力定律的模型，比一个只需满足其中之一的模型受到更严格的约束。这一原则可以扩展到其他数据类型，如电阻率，甚至可以利用均匀化的数学方法，在形式上将从微观实验室测量到宏观地球物理调查等巨大不同尺度上测量的属性联系起来。
反演问题领域目前正被机器学习和人工智能的思想所革新。贝叶斯推断的最终目标不仅仅是找到一个单一的最佳拟合模型，而是要描述完整的后验概率分布——也就是说，理解所有可能解的整体景观及其相对概率。这不仅告诉我们地下可能是什么样子，还告诉我们对这个图景有多大的信心。对于复杂问题，这个后验分布过于复杂，无法用解析方式描述。现代技术，如使用“归一化流”（一种深度生成模型）的变分推断，使我们能够训练一个灵活的神经网络来逼近这个复杂的分布。这种经典贝叶斯理论和深度学习的强大结合，使我们能够以前所未有的规模量化不确定性。优化本身由复杂的算法驱动，如信赖域方法，这是大规模机器学习和科学计算的主力军。
也许反演问题最美妙的方面是它的普适性。同样的数学结构，同样的模糊性和病态性挑战，以及同样的正则化策略，出现在乍看起来与重力毫无关系的领域中。
考虑一个简单的气候模型，它试图确定我们星球气候系统的两个关键参数：有效热容（，即加热地球需要多少能量）和气候反馈参数（，即地球变暖时向太空额外辐射多少能量）。“数据”是历史温度记录，“强迫”是温室气体排放的历史。如果强迫随时间缓慢平滑地增加，我们就会遇到一个熟悉的问题。观测到的变暖是由于高反馈（低，所以地球敏感且升温多）和高热容（，所以升温慢），还是低反馈（高）和低热容？如果没有来自强迫的快速变化或“瞬变”信息，几乎不可能区分这两个参数。该问题的雅可比矩阵变得病态。这与重力反演中的长波长模糊性是完全相同的数学病理。气候科学家无法仅用缓慢变化的数据来区分一个慢作用参数和一个快作用参数，这与地球物理学家无法仅用长波长重力数据来区分一个深源和一个浅源，在时间上是完美的类比。
从地球中心到全球气候，从资源勘探到机器学习的前沿，重力反演问题都扮演着一个门户的角色。它教会我们一种推理方式——一种面对模糊性、融合不同信息来源、并对我们看不见的宇宙部分做出稳健推断的方式。它证明了一个事实：对自然界某一小部分的深刻理解，往往能为我们提供一把钥匙，用以解开其他许多领域的秘密。