פתיחת התיבה השחורה: בינה מלאכותית ניתנת להסבר לניתוח אוטומטי של ביאוטורבציה בגרעינים ובחשיפות

לראות רמזים חבויים בבוץ העתיק

כאשר בעלי חיים חופרים דרך בוץ רך בקרקעית הים, הם משאירים מאחוריהם מבוך של מנהרות שיכול להישמר במשך מיליוני שנים. דפוסים עדינים אלה, המכונים ביאוטורבציה, מסייעים לגאולוגים לפענח סביבות קדומות ואפילו למצוא מאגרי נפט וגז. אך זיהוי ודירוג של עקבות אלה בעין הוא עבודה איטית וסובייקטיבית. המחקר הזה מראה כיצד דור חדש של בינה מלאכותית "ניתנת להסבר" יכול לא רק לאוטומט תפקיד זה, אלא גם להראות במדויק מה המחשב מסתכל עליו, ולהפוך תיבה שחורה לכלי שקוף.

מדוע מנהרות בסלע חשובות

הרבה החלטות גאולוגיות עדיין מתחילות במבט פשוט: על צוקים, גרעיני קידוח ופרוסות דקות של סלע. אופן סידור השכבות, עד כמה הן נקיות או מופרעות, והיכן מנהרות חותכות דרכן — כל אלה מרמזים על עומק המים, אנרגיה, רמות חמצן והיצורים שחיו שם פעם. גאולוגים לעתים תכופות מסכמים הפרעה זו כאינטנסיביות ביאוטורבציה, הנעה משכבות שלא נגעו בהן ועד משקע מתערבל לחלוטין. דירוגים אלה חיוניים לשחזור חופי ים עתיקים ולשיפוט עד כמה נוזלים יכולים לנוע דרך חולות קבורות שעשויים לשמש מאגרים. עם זאת, אפילו מומחים יכולים לחלוק על הדירוג, במיוחד במקרים גבוליים שבהם הביאוטורבציה היא מתונה ולא ברורה כחלשה או חזקה.

ללמד מחשב לקרוא תמונות של סלע

המחברים בונים על מודל למידה עמוקה קודם שאומן למיין תמונות של גרעיני ח sandstone וחשיפות לשלושה רמות רחבות של ביאוטורבציה: בלתי מעובד, מעובד במידה מתונה ומעובד בעוצמה. המודל כבר הפגין דיוק גבוה, וסיווג נכון את רוב 262 התמונות במבחן. במחקר זה, המוקד עובר מ"כמה טוב הוא עושה את זה?" ל"מה הוא בעצם רואה?" כדי לענות על כך, הצוות משתמש בכלי בינה מלאכותית ניתנות להסבר המייצרים מפות חום על כל תמונה, המבליטות את האזורים שהשפיעו ביותר על בחירת המודל. אזורים אדמדמים חשובים יותר להחלטה; גוונים קרירים חשובים פחות. גישה זו מאפשרת לגאולוגים להשוות את תשומת הלב הויזואלית של המכונה לזו של איכנולוג מנוסה — מומחה בפוסיליזציה של עקבות.

כיצד התיבה השחורה מאירה

השיטה, הידועה כ-Grad-CAM, ניצבת בשכבות הסופיות של רשת העצבים, שם התמונה מומתקת לפאצ'ים גסים של תכונות. כאשר המודל מחליט על מחלקה, Grad-CAM מודד עד כמה ההחלטה רגישה לכל פאצ' ואז מproject את התוצאה חזרה על גבי התמונה המקורית כהצפה צבעונית. עבור סלעים ללא ביאוטורבציה, מפות החום נוטות להאיר פאצ'ים של שכבות משמרות היטב או יחידות מאסיביות שלא הופרעו, ולפעמים גם להבליט סדקים טבעיים או גלעינים מפוזרים שבולטים על גבי רקע אחיד. בתמונות עם ביאוטורבציה מתונה, המפות בדרך כלל מתמקדות במנהרות בודדות או אזורים שבהם השכבות מופרעות חלקית, ותואמות באופן הדוק למה שמומחים אנושיים יסמנו על דף. בדגימות שעברו עיבוד בעוצמה, שבהן כמעט כל המבנה המקורי נמחק, המפות מציגות דפוס מצומצם ומתפשט על פני התמונה, המשקף את התהפכות הקרקעית הקדומה.

מה שהמודל טועה בו — ולמה

מאחר שההסברים הם ויזואליים, החוקרים יכולים לחקור את הטעויות של המודל במקום רק לרשום אותן כשגיאות. כמה תמונות שלא עובדו נקראו בטעות כבעלות ביאוטורבציה כאשר חלקיקים או מרקמים מסוימים דמו במקרה למנהרות. במקרים אחרים, פוסילים עדינים או זעירים הוחמצו, במיוחד כאשר הם תפסו רק פינה קטנה של התמונה. מבנים מאוד גדולים גם הציבו בעיות: אם מנהרה רחבה אחת מילאה את רוב המסגרת ופרטיה הפנימיים היו מרוסקים, המודל התייחס אליה כאל מסה חסרת תכונות ולא כעקבות. באופן משמעותי, מפות החום מראות שהמערכת בדרך כלל מתעלמת ממטארחות שאינן גאולוגיות כגון סימני עט, חתכי מסור וצללים, מה שמדגים שהיא למדה להתמקד במרקמי הסלע במקום ברעש צילום. המחברים מציעים שתמונות אימון מגוונות יותר ובאיכות טובה יותר וכיסוי משופר של רמות אינטנסיביות גבוליות ישפרו עוד את הביצועים.

מכלי מומחה לכלי הוראה

על ידי חשיפת עבודת הפנים של המודל לבחינה, בינה מלאכותית ניתנת להסבר מסייעת לצמצם את פער האמון בין מדעני כדור הארץ לאלגוריתמים. המחקר מראה שתשומת הלב של הרשת בדרך כלל תואמת לשיפוט מומחה, ומתמקדת באותן מנהרות ואזורים מופרעים שמורת איכנולוג מיומן היה מדגיש. השקיפות הזו מקלה על אימוץ ניתוח ביאוטורבציה אוטומטי הן במחקר והן בתעשייה, שבה סינון עקבי ומהיר של ספריות תמונות רחבות יכול לחסוך זמן ולהפחית הטיה אנושית. בו בזמן, מפות החום הצבעוניות משמשות גם ככלי הוראה, ומנחות את עיניהם של סטודנטים כלפי הרמזים המרקמיים העדינים המבדילים בין סלע שלא נגעו בו, שמעובד במידה מתונה, ובין סלע מתהפך לחלוטין. בהפיכת החלטות מודל בלתי נראות לדפוסים נראים, העבודה מצביעה על עתיד שבו AI לא מחליף את האינטואיציה הגאולוגית, אלא מחדדת ומגדילה אותה.

ציטוט: 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

מילות מפתח: בינה מלאכותית ניתנת להסבר, ביאוטורבציה, ניתוח תמונות גאולוגיות, למידה עמוקה, גרעיני משקעים