［本站讯］近日，未来技术学院教授刘明亮在Reviews of Geophysics（影响因子37.3）上发表题为“Bayesian Inference for Subsurface Geophysical Inverse Problems”的综述论文，山东大学为第一完成单位。该论文系统综述了地球物理反演中的贝叶斯推断方法，并提出了可微贝叶斯反演（Differentiable Bayesian Inversion, DBI）理论，为地下工程智能感知与决策提供了系统化解决方案，可有效支持资源勘探、环境监测及地下灾害防控等实际应用。

地球物理反演旨在从地震、电磁、重力等间接观测数据中推断地下结构与物性参数，是资源勘探和地质灾害防控等领域的核心技术手段。然而，地球物理反演问题通常具有高维性、非线性和严重的非唯一性，传统确定性方法难以有效量化不确定性，限制了其在风险决策中的应用。贝叶斯推断为这一问题提供了严格的概率框架，能够将先验地质知识与观测数据系统融合，实现不确定性的定量表征。该论文系统综述了地球物理反演中的贝叶斯推断方法，涵盖经典的无梯度马尔可夫链蒙特卡罗方法、集合类方法，以及近年来快速发展的基于梯度的推断方法，并综述了深度学习在构建地质先验、代理正演模拟和加速后验推断等方面的最新进展。在此基础上，论文提出了可微贝叶斯反演（DBI）理论，将可微正演模拟、基于分数的深度学习先验和梯度驱动的概率推断统一在一个模块化、端到端可微的计算架构中，为地质-地球物理、人工智能与多源数据反演及不确定性表征提供了统一的研究视角。基于该理论框架，团队开发了开源软件平台GeoBrain，为相关领域研究者提供了实用的工具支持。

该研究得到了泰山学者基金（tsqn202507025）和斯坦福大学地球资源预测中心（SCERF）的资助支持。刘明亮教授为论文第一作者和通讯作者，合作者包括美国怀俄明大学教授Dario Grana、丹麦哥本哈根大学教授Klaus Mosegaard、美国德克萨斯大学奥斯汀分校教授Mrinal K. Sen、斯坦福大学许明辉和教授Tapan Mukerji。