المسألة العكسية

تُشير الصعوبة الأولى إلى مشكلة جوهرية: فملاحظاتنا لا تحتوي على معلومات كافية، ونحتاج إلى بيانات إضافية. يمكن الحصول على هذه البيانات الإضافية من معلومات فيزيائية مسبقة حول قيم المعلمات، أو توزيعها المكاني، أو بشكل أعم، حول اعتمادها المتبادل. كما يمكن الحصول عليها من تجارب أخرى؛ فعلى سبيل المثال، يمكننا دمج البيانات المسجلة بواسطة أجهزة قياس الجاذبية وأجهزة قياس الزلازل لتحسين تقدير الكثافات. يُعد دمج هذه المعلومات الإضافية في الأساس مسألة إحصائية ، وهذا العلم هو القادر على الإجابة عن السؤال: كيف ندمج كميات ذات طبيعة مختلفة؟ سنتناول هذا الموضوع بمزيد من التفصيل في قسم "المنهج البايزي" أدناه.

فيما يتعلق بالمعلمات الموزعة، غالبًا ما تتضمن المعلومات المسبقة حول توزيعها المكاني معلومات حول بعض مشتقات هذه المعلمات الموزعة. كما أنه من الممارسات الشائعة، وإن كانت مصطنعة إلى حد ما، البحث عن النموذج "الأبسط" الذي يطابق البيانات بشكل معقول. ويتحقق ذلك عادةً من خلال فرض عقوبة على...${\displaystyle L^{1}}$معيار تدرج (أو التباين الكلي ) المعاملات (يُشار إلى هذا النهج أيضًا باسم تعظيم الإنتروبيا). ويمكن أيضًا تبسيط النموذج من خلال تحديد المعاملات بحيث تُضاف درجات الحرية عند الضرورة فقط.

يمكن أيضًا دمج معلومات إضافية من خلال قيود عدم المساواة على معلمات النموذج أو بعض دوالها. تُعد هذه القيود مهمة لتجنب القيم غير الواقعية للمعلمات (القيم السالبة على سبيل المثال). في هذه الحالة، لن يكون الفضاء الذي تشكله معلمات النموذج فضاءً متجهيًا، بل مجموعة فرعية من النماذج المقبولة يُرمز لها بـ${\displaystyle P_{\text{adm}}}$في الجزء الثاني.

كما ذُكر سابقًا، قد يكون التشويش كبيرًا لدرجة أن قياساتنا لا تُطابق أي نموذج، وبالتالي لا يمكننا البحث عن نموذج يُنتج البيانات، بل نبحث عن أفضل نموذج (أو النموذج الأمثل) : أي النموذج الذي يُطابق البيانات على أفضل وجه. هذا يدفعنا إلى تقليل دالة الهدف ، وهي دالة تُحدد حجم البواقي أو مدى بُعد البيانات المُتوقعة عن البيانات المرصودة. بالطبع، عندما تكون لدينا بيانات مثالية (أي بدون تشويش)، يجب أن يُطابق النموذج المُستعاد البيانات المرصودة تمامًا. دالة الهدف القياسية،${\displaystyle \varphi }$، ويكون على الشكل التالي: ${\displaystyle \varphi (p)=\|Fp-d_{\text{obs}}\|^{2}}$ أين${\displaystyle \|\cdot \|}$هو المعيار الإقليدي (سيكون${\displaystyle L^{2}}$المعيار ( عندما تكون القياسات دوالًا بدلًا من عينات) للبواقي. هذا النهج يُعادل استخدام طريقة المربعات الصغرى العادية ، وهي طريقة شائعة الاستخدام في الإحصاء. ومع ذلك، من المعروف أن المعيار الإقليدي حساس جدًا للقيم المتطرفة: لتجنب هذه المشكلة، يمكننا التفكير في استخدام مسافات أخرى، على سبيل المثال${\displaystyle L^{1}}$المعيار، بدلاً من${\displaystyle L^{2}}$معيار.

يشبه النهج الاحتمالي إلى حد كبير نهج المربعات الصغرى: فإذا عرفنا إحصائيات الضوضاء التي تشوه البيانات، يمكننا البحث عن النموذج الأكثر ترجيحًا (m)، وهو النموذج الذي يطابق معيار الاحتمال الأقصى . إذا كانت الضوضاء غاوسية ، يظهر معيار الاحتمال الأقصى كمعيار للمربعات الصغرى، حيث يُستبدل الضرب القياسي الإقليدي في فضاء البيانات بضرب قياسي يتضمن تباين الضوضاء. كذلك، إذا توفرت معلومات مسبقة عن معلمات النموذج، يمكننا استخدام الاستدلال البايزي لصياغة حل المسألة العكسية. هذا النهج موصوف بالتفصيل في كتاب تارانتولا ^{[ 10 ]} . غالبًا ما يستخدم النهج البايزي للمسائل العكسية عملية غاوسية لنمذجة حل المعادلات التفاضلية (دون الحاجة بالضرورة إلى خطيتها) ويحاكي (أو يدرب) النظام الآلي ليعمل لاحقًا كمعلومات مسبقة للتقدير (أو المعايرة). ^{[ 11 ]}

نستخدم هنا المعيار الإقليدي لتحديد مدى عدم تطابق البيانات. ولأننا نتعامل مع مسألة عكسية خطية، فإن دالة الهدف تربيعية. ولتقليلها، من الشائع حساب تدرجها باستخدام نفس المنطق (كما نفعل لتقليل دالة ذات متغير واحد فقط). عند النموذج الأمثل${\displaystyle p_{\text{opt}}}$، يتلاشى هذا التدرج الذي يمكن كتابته على النحو التالي: $${\displaystyle \nabla _{p}\varphi =2(F^{\mathrm {T} }Fp_{\text{opt}}-F^{\mathrm {T} }d_{\text{obs}})=0}$$ حيث يرمز F ^{T إلى} منقولة المصفوفة F. وتتبسط هذه المعادلة إلى: $${\displaystyle F^{\mathrm {T} }Fp_{\text{opt}}=F^{\mathrm {T} }d_{\text{obs}}}$$

يُعرف هذا التعبير بالمعادلة العادية ، وهو يُعطينا حلاً محتملاً للمسألة العكسية. في مصفوفة مثالنا${\displaystyle F^{\mathrm {T} }F}$اتضح أن الرتبة كاملة بشكل عام بحيث تكون المعادلة أعلاه منطقية وتحدد بشكل فريد معلمات النموذج: لسنا بحاجة إلى دمج معلومات إضافية للوصول إلى حل فريد.

بعض المسائل العكسية لها حل بسيط للغاية، على سبيل المثال، عندما يكون لدينا مجموعة من الدوال غير القابلة للحل ، أي مجموعة من${\displaystyle n}$الدوال بحيث يتم تقييمها عند${\displaystyle n}$تُنتج النقاط المتميزة مجموعة من المتجهات المستقلة خطيًا . هذا يعني أنه عند إعطاء توليفة خطية من هذه الدوال، يمكن حساب المعاملات بترتيب المتجهات كأعمدة لمصفوفة ثم عكس هذه المصفوفة. أبسط مثال على الدوال أحادية الحل هو كثيرات الحدود التي تُنشأ باستخدام نظرية الحل الأحادي لتكون أحادية الحل. ويتم ذلك تحديدًا بعكس مصفوفة فاندرموند . لكن هذه حالة خاصة جدًا.

بشكل عام، يتطلب حل المسألة العكسية خوارزميات تحسين متطورة. عندما يُوصف النموذج بعدد كبير من المعاملات (قد يصل عدد المجاهيل في بعض تطبيقات التصوير المقطعي الحيودي إلى مليار)، يصبح حل النظام الخطي المرتبط بالمعادلات العادية عملية معقدة. وتعتمد الطريقة العددية المستخدمة لحل مسألة التحسين بشكل خاص على التكلفة المطلوبة لحساب الحل. ${\displaystyle Fp}$من المسألة المباشرة. بمجرد اختيار الخوارزمية المناسبة لحل المسألة المباشرة (قد لا يكون ضرب المصفوفة بالمتجه المباشر كافيًا عندما تكون المصفوفة${\displaystyle F}$(ضخمة)، يمكن العثور على الخوارزمية المناسبة لتنفيذ عملية التصغير في الكتب المدرسية التي تتناول الطرق العددية لحل الأنظمة الخطية ولتصغير الدوال التربيعية (انظر على سبيل المثال Ciarlet ^{[ 13 ]} أو Nocedal ^{[ 14 ]} ).

كذلك، قد يرغب المستخدم في إضافة قيود فيزيائية إلى النماذج: في هذه الحالة، يجب أن يكون على دراية بأساليب التحسين المقيد ، وهو موضوع قائم بذاته. في جميع الأحوال، يُعد حساب تدرج دالة الهدف عنصرًا أساسيًا لحل مسألة التحسين. وكما ذُكر سابقًا، يمكن إدخال معلومات حول التوزيع المكاني لمعامل موزع من خلال عملية تحديد المعاملات. ويمكن أيضًا التفكير في تعديل هذه المعاملات أثناء عملية التحسين. ^{[ 15 ]}

إذا اعتمدت دالة الهدف على معيار آخر غير المعيار الإقليدي، فسيتعين علينا الخروج من نطاق التحسين التربيعي. ونتيجة لذلك، تصبح مسألة التحسين أكثر صعوبة. على وجه الخصوص، عندما${\displaystyle L^{1}}$يُستخدم المعيار لتحديد مدى عدم تطابق البيانات، حيث تصبح دالة الهدف غير قابلة للتفاضل: إذ يفقد تدرجها معناه. وهنا تبرز أهمية الطرق المتخصصة (انظر على سبيل المثال Lemaréchal ^{[ 16 ]} ) في مجال التحسين غير التفاضلي.

بمجرد حساب النموذج الأمثل، علينا الإجابة على السؤال التالي: "هل يمكننا الوثوق بهذا النموذج؟" يمكن صياغة السؤال على النحو التالي: ما حجم مجموعة النماذج التي تتطابق مع البيانات "بشكل جيد تقريبًا" مثل هذا النموذج؟ في حالة دوال الهدف التربيعية، تقع هذه المجموعة ضمن شكل بيضاوي فائق، وهو مجموعة فرعية من${\displaystyle R^{M}}$(${\displaystyle M}$(عدد المجاهيل)، ويعتمد حجمه على المقصود بعبارة "تقريبًا أيضًا"، أي على مستوى الضوضاء. اتجاه المحور الأكبر لهذا القطع الناقص ( المتجه الذاتي المرتبط بأصغر قيمة ذاتية للمصفوفة)${\displaystyle F^{T}F}$يمثل هذا الاتجاه اتجاه المكونات غير المحددة بدقة: إذا اتبعنا هذا الاتجاه، يمكننا إحداث اضطراب قوي في النموذج دون تغيير قيمة دالة الهدف بشكل ملحوظ، وبالتالي نحصل على نموذج شبه مثالي مختلف تمامًا. من الواضح أن الإجابة على السؤال "هل يمكننا الوثوق بهذا النموذج؟" تعتمد على مستوى الضوضاء والقيم الذاتية لمصفوفة هيسيان لدالة الهدف ، أو بشكل مكافئ، في حالة عدم دمج أي تنظيم، على القيم المفردة للمصفوفة.${\displaystyle F}$بالطبع، يؤدي استخدام التنظيم (أو أنواع أخرى من المعلومات المسبقة) إلى تقليل حجم مجموعة الحلول شبه المثلى، وبالتالي يزيد من الثقة التي يمكننا وضعها في الحل المحسوب.

نركز هنا على استعادة مُعامل مُوزّع. عند البحث عن مُعاملات مُوزّعة، يجب علينا تقسيم هذه الدوال المجهولة إلى أجزاء منفصلة. وبذلك، نُقلّل بُعد المسألة إلى بُعد محدود. ولكن السؤال الآن هو: هل ثمة أي صلة بين الحل الذي نحسبه وحل المسألة الأصلية؟ ثم سؤال آخر: ماذا نعني بحل المسألة الأصلية؟ بما أن عددًا محدودًا من البيانات لا يسمح بتحديد عدد لا نهائي من المجاهيل، يجب تنظيم دالة عدم تطابق البيانات الأصلية لضمان تفرد الحل. في كثير من الأحيان، يُوفّر تقليص المجاهيل إلى فضاء محدود الأبعاد تنظيمًا مناسبًا: سيبدو الحل المحسوب كنسخة منفصلة من الحل الذي كنا نبحث عنه. على سبيل المثال، غالبًا ما يُجدي التقسيم البسيط نفعًا في حل مسألة فك الالتفاف : سينجح طالما لم نسمح بظهور الترددات المفقودة في الحل العددي. ولكن في كثير من الأحيان، يجب دمج التنظيم بشكل صريح في دالة الهدف.

لفهم ما قد يحدث، علينا أن نضع في اعتبارنا أن حل مثل هذه المسألة العكسية الخطية يعادل حل معادلة فريدهولم التكاملية من النوع الأول: $${\displaystyle d(x)=\int _{\Omega }K(x,y)p(y)dy}$$

أين${\displaystyle K}$هي النواة،${\displaystyle x}$و${\displaystyle y}$هي متجهات من${\displaystyle R^{2}}$، و${\displaystyle \Omega }$هو نطاق في${\displaystyle R^{2}}$ينطبق هذا على التطبيقات ثنائية الأبعاد. أما بالنسبة للتطبيقات ثلاثية الأبعاد، فنحن نأخذ في الاعتبار${\displaystyle x,y\in R^{3}}$لاحظ أن معلمات النموذج هنا${\displaystyle p}$تتكون من دالة، وأن استجابة النموذج تتكون أيضًا من دالة يُرمز لها بـ${\displaystyle d(x)}$هذه المعادلة هي امتداد لمعادلة المصفوفة إلى بُعد لانهائي${\displaystyle d=Fp}$معطاة في حالة المسائل المنفصلة.

للحصول على نعومة كافية${\displaystyle K}$يكون المؤثر المعرف أعلاه متراصًا على فضاءات باناخ المعقولة مثل${\displaystyle L^{2}}$تنص نظرية فريدريك ريز على أن مجموعة القيم المفردة لمثل هذا المؤثر تحتوي على الصفر (وبالتالي وجود فضاء صفري)، وهي مجموعة منتهية أو قابلة للعد على الأكثر، وفي الحالة الأخيرة، تشكل هذه القيم متتالية تؤول إلى الصفر . في حالة النواة المتناظرة، لدينا عدد لا نهائي من القيم الذاتية، وتشكل المتجهات الذاتية المرتبطة بها أساسًا هيلبرتيًا.${\displaystyle L^{2}}$وبالتالي، فإن أي حل لهذه المعادلة يُحدد حتى دالة جمعية في الفضاء الصفري، وفي حالة وجود عدد لا نهائي من القيم المفردة، يكون الحل (الذي يتضمن مقلوب قيم ذاتية صغيرة عشوائية) غير مستقر: وهما عنصران يجعلان حل هذه المعادلة التكاملية مشكلة غير مستقرة نموذجية! ومع ذلك، يمكننا تعريف حل من خلال المعكوس الزائف للخريطة الأمامية (مرة أخرى حتى دالة جمعية عشوائية). عندما تكون الخريطة الأمامية مضغوطة، فإن تنظيم تيخونوف الكلاسيكي سيعمل إذا استخدمناه لتكامل المعلومات المسبقة التي تنص على أن${\displaystyle L^{2}}$ينبغي أن يكون معيار الحل أصغر ما يمكن، مما يجعل المسألة العكسية محددة جيدًا. مع ذلك، وكما هو الحال في الأبعاد المحدودة، علينا التشكيك في مدى ثقتنا بالحل المحسوب. مرة أخرى، تكمن المعلومات الأساسية في القيم الذاتية لمؤثر هيسيان. إذا تم استكشاف الفضاءات الجزئية التي تحتوي على متجهات ذاتية مرتبطة بقيم ذاتية صغيرة لحساب الحل، فمن الصعب الوثوق بالحل، إذ ستكون بعض مكوناته غير محددة بدقة. أصغر قيمة ذاتية تساوي الوزن المُدخل في تنظيم تيخونوف.

قد تُنتج النوى غير المنتظمة خريطة أمامية غير مضغوطة، بل وحتى غير محدودة، إذا قمنا بتجهيز فضاء النماذج بشكل ساذج بـ${\displaystyle L^{2}}$المعيار. في مثل هذه الحالات، لا يُعدّ مصفوفة هيس مؤثرًا محدودًا، ويصبح مفهوم القيمة الذاتية غير ذي معنى. يتطلب الأمر تحليلًا رياضيًا لجعلها مؤثرًا محدودًا وتصميم مسألة محددة جيدًا: يمكن الاطلاع على مثال توضيحي في ^{[ 17 ]} . مرة أخرى، علينا التشكيك في مدى ثقتنا بالحل المحسوب، وعلينا تعميم مفهوم القيمة الذاتية للوصول إلى الإجابة. ^{[ 18 ]}

يُعد تحليل طيف مؤثر هيسيان عنصرًا أساسيًا لتحديد مدى موثوقية الحل المحسوب. مع ذلك، يُعتبر هذا التحليل عادةً مهمةً شاقةً للغاية. دفع هذا العديد من الباحثين إلى استكشاف مناهج بديلة في حالة عدم الاهتمام بجميع مكونات الدالة المجهولة، وإنما فقط بالمتغيرات الفرعية التي تمثل صور الدالة المجهولة بواسطة مؤثر خطي. تُعرف هذه المناهج باسم "طريقة باكوس وجيلبرت ^{[ 19 ]} "، ومنهج ليونز للحراس ^{[ 20 ]} ، وطريقة سولا ^{[ 21 ]} . وقد تبيّن أن هذه المناهج مترابطة ترابطًا وثيقًا، كما هو موضح في شافينت ^{[ 22 ]} . أخيرًا، فإن مفهوم الدقة المحدودة ، الذي كثيرًا ما يستخدمه الفيزيائيون، ليس إلا وجهة نظر محددة مفادها أن بعض المكونات غير المحددة بدقة قد تُفسد الحل. ولكن، بشكل عام، لا ترتبط هذه المكونات غير المحددة بدقة في النموذج بالضرورة بترددات عالية.

الهدف من عملية إزالة التشويش هو إعادة بناء الصورة أو الإشارة الأصلية${\displaystyle p(x)}$والتي تظهر على شكل ضوضاء وضبابية في البيانات${\displaystyle d(x)}$[ ^{23 ]} من وجهة نظر رياضية، ^النواة${\displaystyle K(x,y)}$يعتمد الأمر هنا فقط على الفرق بين${\displaystyle x}$و${\displaystyle y}$.

في هذه الطرق، نحاول استعادة مُعامل مُوزّع، وتتمثل الملاحظة في قياس تكاملات هذا المُعامل على طول مجموعة من الخطوط. ونرمز له بـ${\displaystyle \Gamma _{x}}$الخط في هذه المجموعة مرتبط بنقطة القياس${\displaystyle x}$الملاحظة في${\displaystyle x}$وبالتالي يمكن كتابتها على النحو التالي: $${\displaystyle d(x)=\int _{\Gamma _{x}}w(x,y)p(y)\,dy}$$ أين${\displaystyle w(x,y)}$دالة ترجيح معروفة. بمقارنة هذه المعادلة مع تكامل فريدهولم أعلاه، نلاحظ أن النواة${\displaystyle K(x,y)}$هي نوع من دالة دلتا التي تبلغ ذروتها على الخط${\displaystyle {\Gamma _{x}}}$. مع مثل هذه النواة، فإن الخريطة الأمامية ليست مضغوطة.

نشأت المنشورات المبكرة حول التوصيل الحراري العكسي من تحديد تدفق الحرارة السطحي أثناء دخول الغلاف الجوي باستخدام مجسات حرارة مدفونة. ^{[ 33 ] [ 34 ]} تشمل التطبيقات الأخرى التي تتطلب قياس تدفق الحرارة السطحي ولكن لا تُعد المجسات السطحية عملية: داخل المحركات الترددية، وداخل محركات الصواريخ، واختبار مكونات المفاعلات النووية. ^{[ 35 ]} طُوّرت مجموعة متنوعة من التقنيات العددية لمعالجة عدم استقرار النموذج وحساسيته لخطأ القياس الناتج عن التخميد والتأخر في إشارة درجة الحرارة. ^{[ 36 ] [ 37 ] [ 38 ]}

بينما حُلّت مسائل المعكوس الخطي حلاً كاملاً من الناحية النظرية في نهاية القرن التاسع عشر ، لم يُحلّ قبل عام ١٩٧٠ سوى نوع واحد من مسائل المعكوس غير الخطي، وهو مسائل المعكوس الطيفي ومسائل المعكوس التشتتي (في بُعد مكاني واحد) ، وذلك بعد العمل الرائد للمدرسة الرياضية الروسية ( كراين ، جيلفاند ، ليفيتان، مارشينكو ). وقدّم تشادان وساباتييه مراجعة شاملة للنتائج في كتابهما "مسائل المعكوس في نظرية التشتت الكمومي" (متوفر بنسختين باللغة الإنجليزية ونسخة واحدة باللغة الروسية).

في هذا النوع من المسائل، تُمثل البيانات خصائص طيف مؤثر خطي يصف التشتت. يتكون الطيف من القيم الذاتية والدوال الذاتية ، مُشكلةً معًا "الطيف المنفصل"، وتعميمات تُسمى الطيف المتصل. تكمن النقطة الفيزيائية اللافتة في أن تجارب التشتت لا تُقدم معلومات إلا عن الطيف المتصل، وأن معرفة طيفه الكامل ضرورية وكافية لاستعادة مؤثر التشتت. ومن هنا، لدينا معلمات غير مرئية، أكثر أهمية بكثير من الفضاء الصفري الذي يتمتع بخاصية مماثلة في مسائل المعكوس الخطي. إضافةً إلى ذلك، توجد حركات فيزيائية يُحفظ فيها طيف هذا المؤثر كنتيجة لهذه الحركة. تخضع هذه الظاهرة لمعادلات تطور تفاضلية جزئية غير خطية خاصة، مثل معادلة كورتيغ-دي فريس . إذا اختُزل طيف المؤثر إلى قيمة ذاتية واحدة، فإن حركته المقابلة هي حركة نتوء واحد ينتشر بسرعة ثابتة ودون تشوه، وهي موجة منفردة تُسمى " سوليتون ".

تُعدّ الإشارة المثالية وتعميماتها لمعادلة كورتيغ-دي فريس أو غيرها من المعادلات التفاضلية الجزئية غير الخطية القابلة للتكامل ذات أهمية بالغة، لما لها من تطبيقات عديدة محتملة. وقد دُرِس هذا المجال كفرع من فروع الفيزياء الرياضية منذ سبعينيات القرن الماضي. كما تُدرس مسائل المعكوس غير الخطية حاليًا في العديد من مجالات العلوم التطبيقية (علم الصوتيات، والميكانيكا، وميكانيكا الكم، والتشتت الكهرومغناطيسي - ولا سيما قياسات الرادار، والقياسات الزلزالية، وجميع تقنيات التصوير تقريبًا).

تم تقديم مثال أخير يتعلق بفرضية ريمان بواسطة وو وسبرونج، والفكرة هي أنه في نظرية الكم القديمة شبه الكلاسيكية ، يكون مقلوب الجهد داخل الهاميلتوني متناسبًا مع نصف مشتق دالة عد القيم الذاتية (الطاقات) n ( x ). 

الهدف هو استعادة معامل الانتشار في المعادلة التفاضلية الجزئية المكافئة التي تُحاكي تدفقات الموائع أحادية الطور في الأوساط المسامية. وقد حظيت هذه المسألة باهتمام العديد من الدراسات منذ عمل رائد أُجري في أوائل سبعينيات القرن العشرين. ^{[ 39 ]} وفيما يتعلق بتدفقات الموائع ثنائية الطور، تتمثل إحدى المشكلات المهمة في تقدير النفاذية النسبية وضغوط الشعيرات الدموية. ^{[ 40 ]}

الهدف هو استخلاص سرعات الموجات (الموجات الأولية والثانوية) وتوزيعات الكثافة من مخططات الزلازل . تُعدّ هذه المسائل العكسية ذات أهمية بالغة في علم الزلازل والجيوفيزياء الاستكشافية . يمكننا أساسًا النظر في نموذجين رياضيين:

• معادلة الموجة الصوتية (التي يتم فيها تجاهل الموجات S عندما تكون أبعاد الفضاء 2 أو 3)
• معادلة الديناميكا المرنة التي يمكن من خلالها اشتقاق سرعات الموجات P و S من معلمات لاميه والكثافة.

يمكن تحسين هذه المعادلات القطعية الأساسية من خلال دمج التوهين والتباين والتأثيرات الفيزيائية الأخرى.

كان حلّ المسألة العكسية في معادلة الموجة أحادية البعد موضوعًا للعديد من الدراسات. وهي من المسائل العكسية غير الخطية القليلة جدًا التي يُمكن إثبات تفرد حلّها. ^{[ 8 ]} وشكّل تحليل استقرار الحلّ تحديًا آخر. ^{[ 41 ]} وقد طُوّرت تطبيقات عملية باستخدام طريقة المربعات الصغرى. ^{[ 41 ] [ 42 ]} ومنذ ثمانينيات القرن الماضي، جرت محاولات لتوسيع نطاق هذه الطريقة لتشمل مسائل ثنائية وثلاثية الأبعاد ومعادلات المرونة الديناميكية، إلا أنها تبيّن أنها بالغة الصعوبة  ! ولا تزال هذه المسألة، التي يُشار إليها غالبًا باسم "انعكاس الموجة الكاملة" (FWI)، غير محلولة تمامًا: ومن بين الصعوبات الرئيسية وجود ضوضاء غير غاوسية في مخططات الزلازل، ومشاكل تخطي الدورات (المعروفة أيضًا باسم غموض الطور)، والسلوك الفوضوي لدالة عدم تطابق البيانات. ^{[ 43 ]} بحث بعض المؤلفين إمكانية إعادة صياغة المسألة العكسية بحيث تكون دالة الهدف أقل فوضوية من دالة عدم تطابق البيانات. ^{[ 44 ] [ 45 ]}

إدراكًا لصعوبة المسألة العكسية في معادلة الموجة، بحث علماء الزلازل في منهج مبسط باستخدام البصريات الهندسية. وهدفوا تحديدًا إلى إيجاد توزيع سرعة الانتشار، بمعرفة أوقات وصول جبهات الموجات المرصودة في مخططات الزلازل. ويمكن ربط هذه الجبهات بوصول الموجات مباشرةً أو بانعكاسات مرتبطة بعواكس، والتي يجب تحديد هندستها بالتزامن مع توزيع السرعة.

توزيع أوقات الوصول${\displaystyle {\tau }(x)}$(${\displaystyle x}$(نقطة في الفضاء الفيزيائي) لجبهة موجة صادرة من مصدر نقطي، تحقق معادلة إيكونال : $${\displaystyle \|\nabla \tau (x)\|=s(x),}$$ أين${\displaystyle s(x)}$يشير إلى توزيع التباطؤ (مقلوب السرعة). وجود${\displaystyle \|\cdot \|}$يجعل هذا المعادلة غير خطية. ويتم حلها بالطريقة التقليدية عن طريق إطلاق أشعة (مسارات يكون وقت وصولها ثابتًا) من مصدر نقطي.

تُشبه هذه المسألة التصوير المقطعي: فأوقات الوصول المقاسة هي تكامل التباطؤ على طول مسار الشعاع. إلا أن هذه المسألة، الشبيهة بالتصوير المقطعي، غير خطية، ويعود ذلك أساسًا إلى أن هندسة مسار الشعاع المجهولة تعتمد على توزيع السرعة (أو التباطؤ). وعلى الرغم من طبيعتها غير الخطية، فقد أثبت التصوير المقطعي لأوقات الانتقال فعاليته الكبيرة في تحديد سرعة الانتشار في باطن الأرض أو في باطنها، ويُعد هذا الجانب الأخير عنصرًا أساسيًا في التصوير الزلزالي، لا سيما باستخدام الطرق المذكورة في قسم "التصوير المقطعي الحيودي".

بما أن الخريطة الأمامية غير خطية، فمن المرجح أن تكون دالة عدم تطابق البيانات غير محدبة، مما يجعل تقنيات التصغير المحلي غير فعالة. وقد تم بحث العديد من الأساليب للتغلب على هذه الصعوبة:

• استخدام تقنيات التحسين العالمي مثل أخذ عينات من دالة الكثافة الخلفية وخوارزمية متروبوليس في الإطار الاحتمالي للمشكلة العكسية، ^{[ 47 ]} الخوارزميات الجينية (بمفردها أو بالاشتراك مع خوارزمية متروبوليس: انظر ^{[ 48 ]} لتطبيق لتحديد النفاذيات التي تتطابق مع بيانات النفاذية الموجودة)، والشبكات العصبية، وتقنيات التنظيم بما في ذلك التحليل متعدد المقاييس؛
• إعادة صياغة دالة الهدف للمربعات الصغرى لجعلها أكثر سلاسة (انظر ^{[ 44 ] [ 45 ]} للمسألة العكسية في معادلات الموجة).

قد تكون المسائل العكسية، لا سيما في الأبعاد اللانهائية، كبيرة الحجم، مما يتطلب وقتًا حسابيًا كبيرًا. وعندما تكون الدالة الأمامية غير خطية، تزداد الصعوبات الحسابية، وقد يصبح تقليل دالة الهدف أمرًا صعبًا. على عكس الحالة الخطية، لا يُعدّ استخدام مصفوفة هيسيان صراحةً لحل المعادلات العادية أمرًا منطقيًا هنا، لأن مصفوفة هيسيان تتغير بتغير النماذج. ويُعدّ تقييم تدرج دالة الهدف لبعض النماذج أكثر فعالية. يمكن توفير جهد حسابي كبير عند تجنب الحساب المُرهق لمصفوفة جاكوبي ( التي تُسمى غالبًا " مشتقات فريشيه "): تهدف طريقة الحالة المرافقة، التي اقترحها شافينت وليونز ^{[ 49 ]} ، إلى تجنب هذا الحساب المُرهق. وهي تُستخدم الآن على نطاق واسع ^{[ 50 ] .}