《Computers & Geosciences》：Fast ground penetrating radar dual-parameter full waveform inversion method accelerated by hybrid compilation of CUDA kernel function and PyTorch
地面穿透雷達（GPR）是一種非破壞性的地球物理技術，它利用10 MHz-4 GHz范圍內的電磁（EM）波來通過分析介電常數對比產生的反射來成像地下結構（Daniels, 2004）。GPR已成功應用于各種環境和工程研究，包括原位含水量估計（Yochim et al., 2013）、識別通過斷裂介質的優先滲濾路徑（Pujari et al., 2007）以及劃定超出垃圾填埋場邊界的污染羽流（Porsani et al., 2004）。
全波形反演（FWI）通過全面的波形分析重建介電常數和電導率，從而提高了GPR的成像分辨率（Lavoué et al., 2014, Song and Alkhalifah, 2021）。然而，由于其巨大的計算需求，將其應用于高頻EM數據仍然具有挑戰性。傳統的FWI框架需要反復求解麥克斯韋方程（Ernst et al., 2007），這對于高頻（例如1 GHz）模擬尤其如此，這些模擬需要精細的空間離散化（Giannopoulos, 2005）。此外，同時反演多個參數（例如相對介電常數和電導率）進一步增加了計算負擔（Hernandez and Kim, 2023）。最近的進展，如機器學習輔助的正則化（Wang et al., 2020）和多物理場融合技術（Feng et al., 2017），提高了反演的穩定性和可解釋性，但也增加了計算成本。為了加速GPR-FWI，Feng et al.（2023）提出了一種數據編碼策略，減少了前向模擬的次數，盡管這可能會在電參數的梯度中引入串擾噪聲。Xue et al.（2024）開發了一個基于深度學習的實時雙參數GPR-FWI框架。然而，這種數據驅動的方法缺乏物理約束，并且泛化能力有限。此外，這些先前的努力主要集中在2D GPR-FWI應用上。因此，GPR FWI在民用基礎設施評估、環境監測和快速地下異常檢測中的實際應用仍然有限（Lopera et al., 2007）。
在利用圖形處理單元（GPUs）加速FWI方面取得了顯著進展，計算速度提高了幾個數量級�；谟嬎憬y一設備架構（CUDA）的加速已廣泛應用于地球物理前向建模和反演，顯著提高了計算性能。在地震勘探中，許多研究在GPU平臺上實現了數值求解器，如時域有限差分（FDTD）方法（Weiss and Shragge, 2013）和有限元方法（FEM）（Komatitsch et al., 2010），以提高波場模擬和梯度計算的效率（Tan et al., 2016, Rietmann et al., 2012）。Richardson（2023）引入了Deepwave，這是一個靈活的地震建模和反演框架，它將波傳播器作為PyTorch模塊在CPU和GPU上運行，通過CUDA內核函數實現了顯著加速。類似地，Han et al.（2016）將頻率掃描任務在磁大地電（MT）建模中并行化到獨立的CUDA內核中，實現了高達21倍的加速。
幾個開源框架為這一進展做出了貢獻。例如，gprMax集成了pyCUDA和CUDA內核函數以加速前向建模（Warren et al., 2019），而Wang et al.（2025）開發了完全用Python實現的2D GPR-FWI包GPR-FWI-Py，并針對高性能CPU計算進行了優化。盡管這些發展提高了可訪問性，但在基于CPU和基于GPU的實現之間仍存在顯著的效率差距，特別是在大規模3D問題上。這一差距凸顯了需要結合GPU級計算效率與高級編程環境靈活性的框架的需求。
