分布偏移下的自回归钻孔建模

arXiv:2610.01204v1 发布类型：新 摘要：自回归建模通过学习根据先前观测预测未来状态，已在语言和序列任务中取得显著成功。矿产勘探钻孔为这一范式提供了一个天然但尚未得到充分探索的应用场景：随着钻进不断进行，岩性信息从浅部到深部逐层揭示，因此对更深地层的预测本质上是自回归的。然而，现有钻孔建模主要依赖空间插值与重建，或在很大程度上依赖掩码建模，使得严格意义上的自回归预测仍缺乏充分研究。我们提出了 DrillBench，这是一个包含49,671个西澳大利亚钻孔的基准，用于在分级迁移谱上进行下一层预测和自回归地层生成，该迁移谱涵盖从局部预测、空间偏移到跨地质省迁移的不同场景。对经典模型、地统计模型和神经网络模型的基准测试揭示了清晰的“迁移边界”：空间与地球化学条件约束能够带来显著的局部性能提升，但在更强的偏移下性能会急剧下降；相比之下，基于岩性序列的自回归模型具有更强的迁移鲁棒性。受此发现启发，我们开发了一种与骨干网络无关的方法，将基于历史钻孔的大规模预训练与邻近岩性的空间检索相结合。在风化覆盖层中，当局部空间连续性仍具有信息价值时，检索最为有效；而在基岩区域以及更广泛的地质偏移条件下，预训练的贡献更为显著。二者结合后，在保持较强局部性能的同时，还提升了模型在空间偏移和跨地质省偏移下的泛化能力，尤其是在距离最远的数据划分上表现最为明显。基准和代码可访问：https://github.com/yihaoding/drillbench。