Full-Waveform-Inversion (FWI) ist ein hochkomplexes, nichtlineares Problem, das versucht, Untergrundgeschwindigkeitskarten aus an der Oberfläche aufgezeichneten seismischen Wellen zu rekonstruieren. Traditionell wurden datengetriebene FWI-Methoden mit kleinen Modellen trainiert, weil verfügbare Datensätze begrenzte Volumen, geologische Vielfalt und räumliche Ausdehnung aufweisen. Diese Beschränkungen führten zu erheblichen Bedenken hinsichtlich Overfitting und einer schlechten Generalisierung auf realistisc

In der vorliegenden Studie wird gezeigt, dass ein Modell, das ausschließlich auf simulierten und relativ einfachen Daten trainiert wurde, erstaunlich gut auf anspruchsvolle und bislang unbekannte geologische Benchmarks übertragbar ist. Durch eine koordinierte Skalierung in drei Dimensionen – Modellkapazität, Datenvielfalt und Trainingsstrategie – wird ein Billionenparameter-Modell für FWI handhabbar gemacht. Das Ergebnis ist ein Modell, das den aktuellen Stand der Technik bei OpenFWI übertrifft und die Generalisierungslücke in datengetriebenem FWI deutlich verkleinert. Auf sechs herausfordernden geophysikalischen Benchmarks, darunter Marmousi, 2D SEG/EAGE Salt, Overthrust, 2004 BP, Sigsbee und SEAM Phase I, kann das Modell komplexe Strukturen erkennen, die im Trainingsdatensatz nicht vorhanden waren. Die Bildqualität verbessert sich signifikant, wie die SSIM-Metrik von 0,5844 auf 0,7669 zeigt. Diese Fortschritte demonstrieren, dass große Modelle, die auf einfachen synthetischen Daten trainiert werden, mit einer geeigneten Skalierungsstrategie erhebliche Generalisierungsfähigkeiten für komplexere und realistischere geologische Szenarien erreichen können.