Аннотация:При решении обратных нелинейных задач геофизики в последние годы эффективно применяются нейросетевые (НС) методы [Оборнев и др., 2020], которые основаны на аппроксимации приближенного обратного оператора задачи с помощью многослойной нейронной сети – НС аппроксиматора. Оптимизационные задачи построения (обучения) НС аппроксиматора и оценки погрешности получаемых приближенных решений обратной задачи решаются с использованием методов группы Монте-Карло [Шимелевич и др., 2018]. Для этого рассчитываются множества решений прямых задач (порядка нескольких тысяч) для различных векторов параметров среды, которые изменяются случайным образом в максимально широком диапазоне их изменения (с учетом реальных свойств пород), и на их основе определяются оценки решений указанных оптимизационных задач. Проводится анализ структуры обучающей выборки для построения аппроксиматора.Существенное влияние на итоговый НС аппроксиматор оказывает учёт дополнительной информации о среде, полученный в лабораторных условиях и основанный на связи между плотностью и удельным электрическим сопротивлением метаморфических и магматических пород, характерной для изучаемого региона [Муравина, Пономаренко, 2020]. На основе этих данных корректируется (сужается) расчётное множество априорных ограничений решаемой обратной задачи, что приводит к уменьшению практической неоднозначности получаемых решений [Shimelevich et al., 2021]. На основе этих данных с помощью прямого оператора задачи, строится «банк решений» - множество известных опорных моделей прямых и обратных задач в заданном классе сред. Такой банк решений используется при построении (обучении) специализированного (территориального) НС аппроксиматора (нейросетевой палетки), применяемого к полевым данным, получаемым методом магнитотеллурического зондирования.Анализируется случайная величина расстояний между точками по всему банку решений, которая характеризует степень равномерности и плотности заполнения (представительности) обучающего множества. Исследуются вопросы сходимости и устойчивости получаемых оценок при увеличении объема выборки. Приводятся численные примеры, иллюстрирующие работу алгоритмов на модельных и полевых данных для задач геоэлектрики.