地下流动数据同化改用自适应回火序贯蒙特卡洛：四个合成真模型的后验与参考MCMC接近，单GPU提速2.5–7.0倍
核心概要
地下流动系统的地质不确定性常是分层的：既有一组控制整体统计性质的地质元参数，又有逐网格的属性场，两者都要从观测中估计。一种自适应回火序贯蒙特卡洛方法把元参数与高斯潜变量放进同一个似然框架联合估计，用代理模型承担全部前向计算。在四个合成真模型上，它的后验元参数分布与流动预测和参考MCMC结果接近，单GPU数据同化提速2.5–7.0倍，且所需函数评估更少。
深度剖析
地下流动的历史拟合现在可以同时估计地质元参数和逐网格实现，而不必把元参数当作固定设定。 此前的集合卡尔曼类方法通常在固定元参数下生成先验实现，其卡尔曼更新依赖有限集合协方差和统计线性化，对非线性、非高斯问题不保证得到目标后验的精确样本。 在带断层的碳封存系统和河道化油水系统这两个三维分层不确定系统中，四个合成真模型上的后验元参数分布与流动预测都与参考MCMC结果接近。
方法把每个地质实现写成元参数与高斯潜变量的组合，两者在联合先验下相互独立。 非中心化地质参数化让元参数只缩放和平移属性，不改变空间相关结构，因此潜变量可以按标准高斯先验处理。 断层系统用主成分分析表示目标含水层非均质性，河道系统用三维潜扩散模型表示河道几何与相实现，两者都在各自的三维系统中完成同化。
粒子群从联合先验被逐步输运到分层后验，每一步只引入一部分似然。 自适应回火按重要性权重的有效样本量选择温度增量，以限制粒子权重退化，这是直接按全似然加权先验样本时容易出现的问题。 每轮依次做重要性加权、系统重采样和短链分块MCMC变异，潜变量用预处理Crank–Nicolson提议，元参数用高斯随机游走提议，全部函数评估由深度学习流动代理完成。
启示与展望
演示范围限于两个三维合成系统：带三条叠置含水层和两条断层的碳封存系统，以及含三种相的河道化油水系统；观测数据由高保真模拟加高斯噪声生成，不是现场数据。作者提出的后续方向包括用主动学习改进代理精度、评估多阶段同化、把更新后的后验用于序贯决策，以及处理模型差异。
部分元参数被观测约束得很弱，其后验相对先验几乎不收缩，核密度估计中的小局部峰对带宽敏感，作者建议谨慎解读。在更严格的收敛判据下，若干MCMC计算在50小时时限内未达到该判据，因此部分对比基于较宽松的收敛点。