随着新一代人工智能时代的开启，人工智能已在各个层面和领域受到广泛的重视。近几年，人工智能相关技术得到了快速发展，相关算法已经成功地解决了诸多场景下的实际问题，比如无人驾驶、家居生活、医疗健康、智能安防。同时，人工智能算法也为地球物理学家打开了一扇复杂系统建模的大门。不同于传统地球物理的模型驱动思路，人工智能算法通过数据驱动的训练手段求解参数未知神经网络，使计算机自动完成数据分析并挖掘地球物理复杂系统内部演化的逻辑。“人工智能与交叉”方向将立足地球物理、应用数学、计算机科学的交叉学科创新，针对精准人工智能、泛化性、可解释性、多源数据动态耦合性等目标开展研究，解决地球物理领域样本不足、数据模态多样、数据异构和不均衡性等难题，帮助更好地探索未知地球。本专业的人工智能研究涉及深度学习、迁移学习、知识图谱、联邦学习等理论与算法，以及油气资源勘探、地球深部成像、遥感测量、微地震识别、深时地球、数据同化等应用。以下为相关研究人员：

马坚伟

　　从事字典学习、深度学习、及其在油气资源勘探的信号处理与反演、图像处理领域的应用研究

胡天跃

　　主要兴趣涉及勘探地震数据人工智能机器学习的采集技术、处理技术、油气储层识别等。

岳汉

　　主要从事深度学习下的微地震识别研究。相对于传统模型驱动的问题，深度学习算法特别适合模型上难描述、经验上易掌握的问题。因此，语音、图像识别等传统算法表现不好的方向正是深度学习算法的用武之地。在地震学中的震相识别正是这样一类问题：利用地震波三分量的并行性质以及地震波记录作为时间序列的因果性，利用卷积和递归神经网络训练神经网络将震相标识自动化，提升震相标识的效率。　

王腾

　　深度学习下的雷达影像测地学。雷达遥感影像中蕴含着丰富的关于地表物理和几何属性的信息，利用人工智能挖掘这些海量数据中的信息十分有效。我们可以通过雷达成像机理和物理模型模拟不同应用场景下的雷达影像和干涉图，通过叠加各种尺度的大气扰动和随机噪声来生成足够多的多样化、高质量训练样本，对深度学习网络进行训练。以此形成的多种神经网络在干涉图相位解缠、掩膜的自动生成、大气效应估计、局部形变异常探测，震后损害估计、变化检测等技术和应用领域均能显著提高信息提取的准确性和效率。

宋晓东

　　主要兴趣为人工智能和机器学习在地震学、地球内部物理的应用，包括地震波信号处理、地球物理数据反演地球内部介质结构、地震大数据处理、地震时变信号探测和提取等。

Thomas Berndt

　　古地磁通过岩石中的磁记录提供了对地球过去的宝贵见解，但它遇到了各种不同尺度的差异性：从一个到另一个磁性粒子在纳米尺度上的差异，从一个到下一个岩石样品的岩性差异；再接下来是影响数千英里和数百万年的地磁信号的构造，环境和地磁因素的变化。当前，该领域在很大程度上依赖于古地磁学家的经验来解释保存在岩石中的地磁数据，每种岩石都有其独特的环境。机器学习技术是一种有前途的工具，它可以在所有这些尺度上集成数据，学习和解释从数据而不是从经验中潜在的模式。