فتح الصندوق الأسود: الذكاء الاصطناعي القابل للتفسير لتحليل التحريك البيولوجي الآلي في النوى والمظهرات

رؤية الدلائل الخفية في الطين القديم

عندما تحفر الحيوانات عبر الطين الطري في قاع البحر، تترك وراءها متاهة من الأنفاق التي قد تُحفظ لملايين السنين. هذه الأنماط الدقيقة، المسماة بالتحريك البيولوجي، تساعد الجيولوجيين على قراءة البيئات الماضية وحتى على العثور على مكامن النفط والغاز. لكن اكتشاف وتقييم هذه الآثار بالعين أمر بطيء وذوية. تُظهر هذه الدراسة كيف أن جيلًا جديدًا من الذكاء الاصطناعي "القابل للتفسير" يمكنه ليس فقط أتمتة هذه المهمة، بل أيضًا توضيح ما الذي ينظر إليه الحاسوب بالضبط، محولًا الصندوق الأسود إلى زجاجي.

لماذا تهم الأنفاق في الصخور

لا تزال العديد من القرارات الجيولوجية تبدأ بالملاحظة البسيطة: عند المنحدرات، ونوى الحفر، وشرائح الصخور الرقيقة. إن طريقة ترتيب الطبقات، ومدى نظافتها أو اضطرابها، ومكان قطع الأنفاق لها كلها دلائل على عمق الماء والطاقة ومستويات الأكسجين والكائنات التي كانت تعيش هناك. غالبًا ما يلخص الجيولوجيون هذا الاضطراب على أنه شدة التحريك البيولوجي، التي تتراوح من طبقات غير مُعرضة للعمل إلى رواسب مختلطة تمامًا. تلك الدرجات حيوية لإعادة بناء الخطوط الساحلية القديمة وللحكم على سهولة تحرك السوائل عبر الصخور الرملية المدفونة التي قد تعمل كمخازن. ومع ذلك، حتى الخبراء قد يختلفون، خاصة في الحالات الحدية حيث يكون التحريك البيولوجي متوسطًا وليس واضحًا كضعيف أو قوي.

تعليم الحاسوب قراءة صور الصخور

يعتمد المؤلفون على نموذج تعلّم عميق سابق درّب على ترتيب صور نوى وصخور رملية إلى ثلاث مستويات عامة من التحريك البيولوجي: غير مُحرّكة، مُحرّكة بشكل متوسط، ومُحرّكة بكثافة. كان النموذج قد أظهر بالفعل دقة عالية، مصنّفًا بشكل صحيح معظم من أصل 262 صورة اختبار. في هذه الدراسة، يتحول التركيز من "ما مدى دقته؟" إلى "ما الذي يراه فعلاً؟" للإجابة على ذلك، يستخدم الفريق أدوات الذكاء الاصطناعي القابل للتفسير التي تُنتج خرائط حرارية فوق كل صورة، مبرزًة المناطق التي أثّرت بقوة في اختيار النموذج. المناطق الأحمَرُ أكثرُ تأثيرًا في القرار؛ والنغمات الباردة أقل تأثيرًا. تتيح هذه المقاربة للجيولوجيين مقارنة اهتمام الآلة البصري باهتمام إختصاصي الأيكنولوجيا—الخبير في آثار الحفريات.

كيف يضيء الصندوق الأسود

تعتمد الطريقة، المعروفة باسم Grad-CAM، على الطبقات النهائية للشبكة العصبية، حيث تُكثّف الصورة إلى بقع خشنة من الميزات. عندما يقرر النموذج الفئة، يقيس Grad-CAM مدى حساسية ذلك القرار لكل بقعة، ثم يعيد إسقاط النتيجة على الصورة الأصلية كطبقة ملونة. بالنسبة للصخور غير المُحرّكة، تميل الخرائط الحرارية إلى إضاءة بقع من التراص الطبقي المحفوظ جيدًا أو وحدات ضخمة غير مضطربة، وأحيانًا تبرز أيضًا الشقوق الطبيعية أو الحصى المتناثر الذي يبرز على خلفية موحدة. في الصور التي تُظهر تحريكًا بيولوجيًا متوسطًا، تركز الخرائط عادةً على الأنفاق الفردية أو المناطق التي تعطلت فيها الطبقات جزئيًا، ما يتطابق عن كثب مع ما قد يدوّره الخبراء باليد على الصفحة. في العينات المُحرّكة بكثافة، حيث تُمحى تقريبًا كل البنية الأصلية، تُظهر الخرائط نمطًا مُبقّعًا ممتدًا عبر الصورة، مما يعكس الخلط الشامل لقاع البحر القديم.

ما الذي يخطئ فيه النموذج—ولماذا

لأن التفسيرات بصرية، يمكن للباحثين فحص أخطاء النموذج بدلًا من تسجيلها مجردةً كأخطاء. بعض الصور غير المُحرّكة فُهمت خطأً على أنها مُحرّكة عندما اشتبهت كتل أو خامات معينة بأنها أنفاق. في حالات أخرى، تم تجاهل آثار حفريات صغيرة أو باهتة جدًا، خصوصًا عندما كانت تحتل زاوية صغيرة من الصورة. أيضاً الأشكال الكبيرة جدًا سببت مشاكل: إذا ملأ نفق واسع الإطار كله وكانت تفاصيله الداخلية باهتة، عاملها النموذج على أنها كتلة بلا ميزات بدلًا من أثر. ومن المهم أن الخرائط الحرارية تُظهر أن النظام عمومًا يتجاهل الفوضى غير الجيولوجية مثل علامات القلم، وقطع المنشار، والظلال، مما يبيّن أنه تعلّم التركيز على نسيج الصخور بدلًا من ضجيج التصوير. يقترح المؤلفون أن صور تدريب أكثر تنوعًا وجودةً، وتغطية أفضل لمستويات الشدة الحدية، ستحسّن الأداء أكثر.

من أداة للخبراء إلى مادة تعليمية

بفتح آليات عمل النموذج للتفتيش، يساعد الذكاء الاصطناعي القابل للتفسير على تقليص فجوة الثقة بين علماء الأرض والخوارزميات. تُظهر الدراسة أن اهتمام الشبكة عادةً يتوافق مع حكم الخبراء، إذ يركز على نفس الأنفاق والمناطق المضطربة التي سيبرزها أيكنولوجي مدرّب. تجعل هذه الشفافية اعتماد تحليل التحريك البيولوجي الآلي أسهل في كل من البحث والصناعة، حيث يمكن للفحص السريع والمتسق لمكتبات صور كبيرة أن يوفر الوقت ويقلل الانحياز البشري. في الوقت نفسه، تعمل الخرائط الحرارية الملونة كأداة تعليمية، موجّهة أعين الطلاب نحو الإشارات النسيجية الدقيقة التي تميز الصخور غير المُحرّكة عن المُحرّكة متوسطًا والمُخلّطة تمامًا. من خلال تحويل قرارات النموذج غير المرئية إلى أنماط مرئية، يشير العمل إلى مستقبل لا يستبدل فيه الذكاء الاصطناعي الحدس الجيولوجي، بل يُشحّده ويوسّعه.

الاستشهاد: Ayranci, K., Yildirim, I.E., Yildirim, E.U. et al. Opening the black box: explainable AI for automated bioturbation analysis in cores and outcrops. Sci Rep 16, 9725 (2026). https://doi.org/10.1038/s41598-026-40747-5

الكلمات المفتاحية: الذكاء الاصطناعي القابل للتفسير, التحريك البيولوجي, تحليل الصور الجيولوجية, التعلّم العميق, نوى الرواسب