深層学習のための炭酸塩薄片画像データセットとベンチマーク

小さな岩石を観察する理由

石油・ガス企業、気候科学者、地質学者はいずれも、岩石に刻まれた物語に強い関心を持っています。岩石を紙のように薄く切って顕微鏡で観察すると、古代の海や埋没したリーフ、そして地下で石油やガス、水が移動する経路についての手がかりが読み取れます。本稿は DeepCarbonate を紹介します。これはそのような薄片の高品質な画像を大量に集め、厳密に検査したコレクションです。現代の人工知能が自動的に岩石タイプを識別できるよう設計されており、この伝統的な技術をより速く、より一貫性のあるものにし、世界中で共有しやすくします。

ハンドサンプルからデジタル岩石ギャラリーへ

プロジェクトの出発点は、中国の四川盆地やアラブ首長国連邦など主要な産油層から採取された実際の岩石試料です。地質学者はまず肉眼スケールで各薄片を点検し、観察対象が試料全体を代表していることを確認します。局所的な特異点に惑わされないように、少なくとも二つの倍率で八方向以上のビューを調べ、テクスチャや鉱粒を確認して総合的な岩石タイプを確信を持って命名します。その後、顕微鏡設定を固定して、高解像度画像を撮影し、岩石が形成された過程や流体の流路を理解するために重要な微細な詳細に焦点を合わせます。

異なる光で岩石を捉える

DeepCarbonate は各スポットの単一画像を撮るだけではありません。同じ薄片を複数の方法で撮影します：通常の透過光、交差ニコル偏光、反射光、そして場合によっては一部の鉱物が色で際立つように染色した後の撮影も行います。各照明モードは結晶形状、孔隙、あるいは炭化水素を示唆する有機残留物など異なる特徴を強調します。これらを組み合わせることで、単独の画像よりも豊かな情報が得られます。すべての画像は、詳細と視野のバランスを取った一定の倍率で撮影され、ぼやけた画像や暗すぎる画像、損傷した画像は厳格な品質チェックで除外されます。

人間の専門家パネルによる検証

微妙な岩石特徴は解釈が難しいことがあるため、チームは一つの意見に頼りません。炭酸塩岩の専門家10名が独立して画像と提案ラベルをレビューします。初期判定に対して反対意見が多数ある場合、その画像は捨てられ、疑わしい例から機械を学習させるリスクを避けます。残った画像は、細粒泥岩や化石豊富な石灰岩から、割れ目で充填された岩石、泡状の孔隙ネットワーク、ストロマトライトやスロモライトのような微生物構造に至るまで、22の異なる岩石カテゴリに分類されます。この幅広いカバーは古典的な岩石分類体系の数十年にわたる知見を反映しつつ、データ駆動の地質学の時代に合わせて整理されています。

AIのための公平なテストベッドを構築

ラベリングが済むと、画像は既存の主要なビジョンデータセットと同様の構成に再編成されます。このコレクションは合計5万5千枚超の画像を含み、各照明モードごとに訓練（training）、検証（validation）、テスト（test）サブセットに分割されます。著者らは ResNet や VGG、MobileNet、EfficientNet などの有名な画像認識ネットワーク群をこの新しいデータセットで評価します。評価では単に分類の正答率を見るだけでなく、正解が上位候補にどれだけ高くランクされるか、そして頻繁なクラスと希少なクラスの両方をモデルがどれほど公平に扱うかも測定します。

機械が学んだ岩石の知見

結果は、DeepCarbonate が挑戦的でありながら学習可能であることを示しています。最新のネットワークは多くの画像を正しく分類でき、軽量で効率的なモデルが特に良好な場合が多いことが分かりました。また、クラスサイズの不均衡──ある岩石タイプがデータセット内で他よりはるかに多いという事実──がアルゴリズムを「頻出」岩石に偏らせる可能性があることも明らかになりました。最も代表例の多い9クラスだけを使ったより均衡なサブセットを作ることで、性能が向上し、モデルが画像中の本当に診断的な特徴により焦点を合わせるようになることを示しています。すべての照明モードを組み合わせることも性能を押し上げ、人間の薄片観察者にとって有益な追加の視覚的手がかりが機械にも有用であることを裏付けています。

エネルギーと地球科学にとっての意義

非専門家の目には、DeepCarbonate は本質的に微細な岩石の共有された高品質な図鑑であり、コンピュータがそれをどれだけよく「読む」かをテストするための明確なルールセットと対になっています。画像とコードの両方を公開することで、著者らは将来の岩石解析用AIツールを公平に比較できる共通の尺度を提供します。長期的には、この種の標準化され専門家が検証したデータセットが、手作業で行われる遅い技能をより迅速で客観的なデジタルサイエンスへと変える手助けをし、資源探査、炭素貯留、そして地球の岩石アーカイブが惑星の歴史をどのように記録しているかに関する理解の向上を支えるでしょう。

引用: Li, K., Song, J., Zhang, Z. et al. A dataset and benchmark of carbonate thin-section images for deep learning. Sci Data 13, 340 (2026). https://doi.org/10.1038/s41597-026-06633-5

キーワード: 炭酸塩岩, 薄片画像, 深層学習, 岩石薄片学（ペトログラフィー）, 地質学データセット