Simulation-based probabilistic inversions of 3D magnetotelluric (MT) data are arguably the best option to deal with the non-linearity and non-uniqueness of the MT problem. However, the computational cost associated with the modeling of 3D MT data has so far precluded the community from adopting and/or pursuing full probabilistic inversions of large MT datasets. In this contribution, we present a novel and general inversion framework, driven by Markov chain Monte Carlo (MCMC) algorithms, which combines i) an efficient parallel-in-parallel structure to solve the 3D forward problem, ii) a reduced order technique to create fast and accurate surrogate models of the forward problem, and iii) adaptive strategies for both the MCMC algorithm and the surrogate model. In particular, and contrary to traditional implementations, the adaptation of the surrogate is integrated into the MCMC inversion. This circumvents the need of costly offline stages to build the surrogate and further increases the overall efficiency of the method. We demonstrate the feasibility and performance of our approach to invert for large-scale conductivity structures with two numerical examples using different parameterizations and dimensionalities. In both cases, we report staggering gains in computational efficiency compared to traditional MCMC implementations. Our method finally removes the main bottleneck of probabilistic inversions of 3D MT data and opens up new opportunities for both stand-alone MT inversions and multi-observable joint inversions for the physical state of the Earth’s interior.

中文翻译：

---

3D 大地电磁数据概率反演的降阶方法 I：一般公式

3D 大地电磁 (MT) 数据的基于模拟的概率反演可以说是处理 MT 问题的非线性和非唯一性的最佳选择。然而，迄今为止，与 3D MT 数据建模相关的计算成本已阻止社区采用和/或追求大型 MT 数据集的完全概率反演。在这个贡献中，我们提出了一个新颖的通用反演框架，由马尔可夫链蒙特卡罗 (MCMC) 算法驱动，它结合了 i) 一种有效的并行并行结构来解决 3D 正向问题，ii) 一种降阶技术来解决为前向问题创建快速准确的代理模型，以及 iii) MCMC 算法和代理模型的自适应策略。特别是，与传统实现相反，代理的适应被集成到 MCMC 反演中。这避免了建立代理的昂贵离线阶段的需要，并进一步提高了该方法的整体效率。我们通过两个使用不同参数化和维数的数值例子证明了我们的方法对大规模电导率结构进行反演的可行性和性能。在这两种情况下，与传统的 MCMC 实现相比，我们报告了计算效率的惊人提高。我们的方法最终消除了 3D MT 数据概率反演的主要瓶颈，并为地球内部物理状态的独立 MT 反演和多可观测联合反演开辟了新的机会。这避免了建立代理的昂贵离线阶段的需要，并进一步提高了该方法的整体效率。我们通过两个使用不同参数化和维数的数值例子证明了我们的方法对大规模电导率结构进行反演的可行性和性能。在这两种情况下，与传统的 MCMC 实现相比，我们报告了计算效率的惊人提高。我们的方法最终消除了 3D MT 数据概率反演的主要瓶颈，并为地球内部物理状态的独立 MT 反演和多可观测联合反演开辟了新的机会。这避免了建立代理的昂贵离线阶段的需要，并进一步提高了该方法的整体效率。我们通过两个使用不同参数化和维数的数值例子证明了我们的方法对大规模电导率结构进行反演的可行性和性能。在这两种情况下，与传统的 MCMC 实现相比，我们报告了计算效率的惊人提高。我们的方法最终消除了 3D MT 数据概率反演的主要瓶颈，并为地球内部物理状态的独立 MT 反演和多可观测联合反演开辟了新的机会。我们通过两个使用不同参数化和维数的数值例子证明了我们的方法对大规模电导率结构进行反演的可行性和性能。在这两种情况下，与传统的 MCMC 实现相比，我们报告了计算效率的惊人提高。我们的方法最终消除了 3D MT 数据概率反演的主要瓶颈，并为地球内部物理状态的独立 MT 反演和多可观测联合反演开辟了新的机会。我们通过两个使用不同参数化和维数的数值例子证明了我们的方法对大规模电导率结构进行反演的可行性和性能。在这两种情况下，与传统的 MCMC 实现相比，我们报告了计算效率的惊人提高。我们的方法最终消除了 3D MT 数据概率反演的主要瓶颈，并为地球内部物理状态的独立 MT 反演和多可观测联合反演开辟了新的机会。