Inversion hydrogéologique et géophysique probabiliste à l'aide de modèles génératifs profonds

La modélisation générative profonde transforme la science et la société. En hydrogéologie, elle permet d'encoder des informations géologiques complexes dans une fonction de densité de probabilité a priori (pdf) à partir de laquelle on peut facilement prélever des échantillons, ce qui permet une inversion et une quantification de l'incertitude bien au-delà des paramètres géostatistiques standard. Je commence par présenter les premiers travaux sur l'inversion des variables latentes des auto-encodeurs variationnels ou des réseaux antagonistes génératifs à l'aide de la méthode de Monte Carlo par chaîne de Markov (MCMC). J'explique comment les coûts de calcul élevés de ces approches peuvent être contournés en utilisant des méthodes bayésiennes variationnelles qui optimisent les paramètres décrivant un flux normalisé de la pdf a priori à la pdf a posteriori. À l'approche de l'état de l'art actuel en matière de modélisation générative profonde, je présente une technique approximative et rapide pour échantillonner à partir de la pdf a posteriori à l'aide de modèles de diffusion. Je présente ensuite brièvement les interpolants stochastiques plus généraux et les techniques de correspondance de flux conditionnelle. Mon exposé comprend des exemples synthétiques impliquant la tomographie hydraulique transitoire, des données de tests de traceurs et différents types de données géophysiques. Je termine en discutant du principal défi à relever pour passer à des exemples concrets, à savoir la quantité limitée de données d'apprentissage fiables pour entraîner les modèles génératifs profonds.