الذكاء الاصطناعي القابل للتفسير لتقسيم الواجهات الرسوبية

قراءة تاريخ الأرض من أسطوانات الصخور

لفهم كيف تطورت الأنهار والسهول الرسوبية والسواحل — وإلى أي مدى الأرض أسفل مدننا مستقرة فعلاً — يدرس الجيولوجيون أسطوانات طويلة من الرواسب المحفورة من تحت السطح. تفسير هذه النوى عمل بطيء ويتطلب خبرة متخصصة. تُظهر هذه الدراسة كيف يمكن للذكاء الاصطناعي، إلى جانب أدوات تكشف عن أسباب قراراته الداخلية، أن يساعد في أتمتة هذه المهمة مع السماح للعلماء برؤية سبب توصل الحاسوب إلى استنتاج معين.

لماذا تهم نوى الرواسب

تسجل الرواسب تحت السطح فيضانات سابقة، وتغيرات مستوى البحر، وزلازل، وتحولات مناخية. يقسم المتخصصون كل نواة إلى «واجهات» — طبقات تعكس بيئات مميزة مثل قنوات الأنهار، وطرقات الفيضان جيدة وسيئة التصريف، ومستنقعات ساحلية، أو طينيات البحر المفتوح. توجه هذه التمييزات كل شيء من إعادة بناء المناخ الماضي إلى تقييمات خطر الزلازل واستقرار الأرض. لكن رسم خرائط الواجهات بدقة يتطلب سنوات من التدريب في علم الرواسب، وحتى الخبراء يواجهون غموضاً عندما تتشابه الطبقات أو تتضرر النوى. جعل هذا العمل أكثر وصولاً واتساقاً هو دافع رئيسي لتطبيق الذكاء الاصطناعي.

تعليم شبكة عصبية لرؤية الطبقات

استخدم المؤلفون مجموعة بيانات عامة من صور نوى عالية الدقة لترسبات الهولوسين (آخر ~11,700 سنة) في شمال إيطاليا. تمت تسمية كل صورة بعناية إلى ست واجهات رئيسية — رمل نهري، وطين طرق فيضان جيد وسيئ التصريف، ورواسب مستنقع، وطبقات الخث، وطينات بحرية (برو دلتا) — بالإضافة إلى فئة الخلفية. دربوا عدة نُسخ من بنية شائعة لتجزئة الصور، U‑Net، كل نسخة مع «عمود فقري» مختلف يتعلم الميزات البصرية. من خلال مقارنة الدقة ومقاييس ذات صلة على مجموعة تحقق ومجموعة اختبار غير مرئية، وجدوا أن نموذجاً مبنياً على العمود الفقري EfficientNet‑B7 قدم أفضل توازن بين الأداء العالي والتعميم الموثوق إلى نوى جديدة.

النظر إلى الصخر بعدسة أوسع

نادراً ما يقرر الجيولوجيون البشر واجهة بناءً على نقطة صغيرة؛ فهم يقرؤون الاتجاهات صعوداً ونزولاً في النواة، مثل التناقص التدريجي لحجم الحبيبات أو زيادة سمك الطبقات. لمحاكاة ذلك، اختبر الفريق مقدار السياق العمودي الذي يجب أن تراه الخوارزمية دفعة واحدة عن طريق تدريب أفضل بنية على أحجام رقع مختلفة مقطوعة من الصور. عندما عرض النموذج رقعاً صغيرة فقط بحجم 128×128 بكسل، كانت توقعاته صاخبة وظهرت نطاقات الواجهات مكسورة. مع زيادة حجم الرقعة إلى 256 و384 وحتى 512×512 بكسل، أصبحت التجزئة أكثر سلاسة وأقرب إلى تفسير الخبراء، مع الحفاظ على أجسام الواجهات كوحدات مستمرة. تراجعت مكاسب الأداء بين 384 و512 بكسل، مما يشير إلى أن هذا المقياس يحتفظ بمعظم السياق المفيد للمهمة.

فتح الصندوق الأسود بخريطة الحرارة وخريطة عدم اليقين

الدرجات العالية وحدها لا تكفي عندما يُبلغ الذكاء الاصطناعي قرارات تتعلق بالمخاطر أو الموارد؛ يحتاج المستخدمون إلى رؤية كيف وأين ينظر النموذج. لذلك طبق المؤلفون مجموعتين من أدوات الشرح. أولاً، استخدموا Grad‑CAM لإنتاج خرائط بروز — خرائط حرارية تبرز مناطق الصورة الأكثر تأثيراً في قرار كل واجهة. توافقت هذه الخرائط جيداً مع الواجهات الموسومة، مبرزة مثلاً مناطق غنية بالمواد العضوية للخث والمستنقع وفاصلة بوضوح بين الرواسب والخلفية. ومن المهم أن بعض التداخل، مثل تنشيطات الخث داخل مناطق المستنقع، طابقت طريقة تجميع علماء الرواسب لهذه البيئات على نحو مفهومي. ثانياً، قدروا إنتروبيا التنبؤ عن طريق تشغيل النموذج مرات عديدة مع تطبيق إسقاط عشوائي (dropout) وتلخيص مدى استقرار توقعاته عند كل بكسل. غالباً ما ظهرت مناطق عالية الإنتروبيا قرب حدود بين الواجهات، في رمال رقيقة متبادلة داخل الطين، أو في أجزاء من النوى تعرَّضت للاضطراب أثناء الحفر — وهي بالضبط الأماكن التي يتردد فيها الخبراء أنفسهم. ومع ذلك، تم تصنيف كثير من مناطق عدم اليقين العالي بشكل صحيح، مما يشير إلى فترات تستحق إعادة نظر بدلاً من رفض النتائج كلياً.

من دراسة حالة إلى أداة عملية

يوفر هذا العمل، مجتمعاً، أكثر من نموذج دقيق: إنه يقدم خط أنابيب كامل وشفاف لتحليل نوى الرواسب. من خلال اختيار بنية الشبكة بعناية، ومطابقة مجال رؤيتها مع منطق البشر، وإرفاق كل توقع بتفسيرات بصرية وتقديرات عدم اليقين، يوضح المؤلفون كيف يمكن للذكاء الاصطناعي أن يدعم الخبرة بدلاً من أن يستبدلها. يمكن تكييف نفس النهج مع صور جيولوجية أخرى — من انزلاقات الأرض إلى صخور المكامن — حيث تكون الثقة وقابلية التفسير والبيانات المفتوحة بالغة الأهمية بقدر الدقة الخام.

الاستشهاد: Di Martino, A., Carlini, G. & Amorosi, A. Explainable artificial intelligence for sedimentary facies segmentation. Sci Rep 16, 5984 (2026). https://doi.org/10.1038/s41598-026-36765-y

الكلمات المفتاحية: الذكاء الاصطناعي القابل للتفسير, واجهات رسوبية, تصوير علوم الأرض, تحليل النوى, عدم يقين النموذج