自动微分技术在地幔流变学非线性反演中的应用：基于板块运动与地形数据的创新研究

本研究针对地幔流变参数约束难题，创新性地将自动微分(AD)技术与有限差分地动力学正演模型相结合，建立了非线性流变学参数反演框架。通过整合地表速度与地形等多源观测数据，成功反演了岩石圈与地幔的关键流变参数（包括粘度前指因子Adisl、活化能Edisl、应力指数n等）。系列合成数据实验表明，该方法在不同复杂度模型（单/多俯冲系统）和噪声条件下均能稳定恢复真实参数，为地幔流变学研究提供了高效可靠的新途径。

在地球深部动力学研究中，地幔的流变特性如同控制板块构造运动的"隐形之手"，决定着地球内部能量传递与物质循环的长期演化规律。然而，由于地幔所处的极端高温高压环境难以在实验室完全复现，传统实验测得的流变参数在推演真实地质过程时存在显著不确定性。虽然贝叶斯反演结合蒙特卡洛采样能提供可靠的参数估计，但其巨大的计算成本限制了在复杂非线性问题中的应用。这种困境使得地幔流变学成为固体地球科学中约束最差的物理属性之一，导致学界在板块驱动力分配、地幔对流模式等基本问题上长期争论不休。

针对这一挑战，南方科技大学明志颖、胡佳顺等研究者在《Geophysical Journal International》发表的最新研究，开创性地将深度学习领域的自动微分(Automatic Differentiation, AD)技术引入地幔流变学反演，构建了一种兼顾物理可解释性与计算效率的新型数值模拟框架。该研究通过将有限差分法与PyTorch的自动微分引擎深度耦合，实现了对非线性流变参数的高精度反演，为理解地球内部动力学过程提供了强有力的新工具。

研究团队采用的核心技术方法包括：基于完全交错网格的斯托克斯方程有限差分数值求解、多机制耦合流变学模型（位错蠕变、塑性变形、扩散蠕变）、自动微分驱动的梯度反传算法，以及针对不同观测场景的数据预处理策略（板块内部速度提取、地形平滑滤波等）。通过设计自定义的torch.autograd.Function模块，研究者将斯托克斯求解器的每个计算节点（插值、线性系统组装、粘度评估等）都转化为可微分操作，形成完整的有限差分网络(Finite-Difference Network, FDN)。

2.1 地动力学正演建模

研究建立了二维Boussinesq近似下的不可压缩斯托克斯方程控制体系，采用完全交错网格离散化动量守恒方程和质量守恒方程。流变模型综合考虑位错蠕变粘度(η_disl=A_disl^1/n·ε˙_ii^(1/n-1)·exp((E_disl+PV_disl)/nRT))、塑性变形粘度(η_plas=σ/2ε˙_ii)及其调和平均的有效粘度，下地幔则采用扩散蠕变主导的粘度模型。

3.1 参考三俯冲模型：正演与反演

设计包含三个不同倾角俯冲带（45°、30°和近660km深度）的复杂几何模型，水平跨度4500km，深度800km。通过贝叶斯优化确定初始参数后，AD反演在40次迭代内使损失函数下降10^-10量级，五类流变参数（A_disl、E_disl、n、σ、A_c）误差均低于10^-5。反演获得的粘度场与速度场与真实场几乎完全一致，证明方法在无噪声理想条件下的可靠性。

3.2 不同场景下的参数反演

在更接近实际观测的条件下，研究系统评估了数据类型与噪声对反演效果的影响。当仅使用板块内部速度数据时（模拟海洋磁异常数据），反演收敛速度减慢且参数偏差显著（速度误差14.08%）；而单独使用地形数据时，即使加入高斯噪声，所有参数误差仍能控制在1%以内。特别发现板块运动数据对均匀噪声敏感，而地形数据中的短波长噪声可通过板块尺度平滑减弱影响。几何复杂度测试表明，单俯冲系统虽能收敛但需要更多迭代次数，揭示多板块耦合可提供更强约束。

3.3 扩展参数与复杂场景反演

通过模型10-20的系列实验，研究进一步验证了方法的鲁棒性。当使用板块内部地形（去除边界短波长异常）结合板块运动时，即使激活体积V_disl加入反演参数集，强耦合的(E_disl, V_disl)参数对也能被准确解耦。长波长噪声实验表明，这类噪声（类似动态地形信号）会严重削弱反演性能，但补充清洁板块运动数据可有效抑制偏差。在考虑俯冲角几何扰动（模型19）和八参数反演（模型20）的极端条件下，方法仍能保持核心参数的稳定恢复。

研究结论部分强调，该AD驱动反演框架每次迭代计算成本仅为单次正演模拟的1.5-2倍，显著优于传统MCMC方法。通过泰勒余项收敛测试验证了梯度计算的机器精度准确性。值得注意的是，研究指出排除板块边界观测数据、专注板块内部地形与运动约束的策略，更适合实际地幔流变学反演应用。虽然三维扩展面临内存挑战，但通过自定义反向传播和检查点技术可提升可扩展性。

这项研究的重要意义在于建立了地幔流变学参数反演的新范式，首次实现多参数非线性流变模型的联合高精度反演。方法兼具物理可解释性与计算效率，为后续整合重力异常、地震层析成像等多源观测数据奠定基础。未来结合物理信息神经网络(PINNs)等机器学习技术，有望进一步发展成为理解地球内部动力学的强大工具。