ブラックボックスを開く：地質コアと露頭における自動化バイオターベーション解析のための説明可能なAI

古代の泥に隠れた手がかりを読む

動物が軟らかい海底の泥を掘ると、何百万年も残る可能性のあるトンネルの迷路を後にします。これらの微妙なパターンはバイオターベーションと呼ばれ、地質学者が過去の環境を読み解き、石油や天然ガスの貯留層を探す手がかりになります。しかし、これらの痕跡を目視で検出し格付けする作業は遅く、主観が入ります。本研究は、新しい世代の「説明可能な」人工知能がその作業を自動化するだけでなく、コンピュータが何を見ているかを正確に示すことで、ブラックボックスをガラス箱に変えることを示しています。

岩中の穴が重要な理由

多くの地質学的判断は今も視覚的観察から始まります：崖、ボーリングコア、薄片などで層の配列、清潔さや攪乱の程度、トンネルがどこで層を横切るかを見ます。これらは水深、エネルギー環境、酸素濃度、かつて生息していた生物に関する手がかりを与えます。地質学者はしばしばこの攪乱をバイオターベーション強度としてまとめ、未撹乱から完全に攪乱された堆積物までの等級で表します。これらの等級は古代の海岸線の復元や、埋没した砂岩が流体をどれほど通しやすいかを判断する上で重要です。しかし、専門家でも意見が分かれることがあり、とくに中程度のバイオターベーションのような境界的なケースでは明確な弱・強のどちらにも分類しにくいことがあります。

岩石写真を読むコンピュータを教える

著者らは、砂岩コアや露頭の写真をバイオターベーションの3段階（未撹乱、中程度、強く撹乱）に分類するように訓練された既存のディープラーニングモデルを基盤としています。そのモデルは既に高い精度を示し、262枚のテスト画像の大部分を正しく分類していました。本研究では「どれだけうまく分類できるか」から「実際に何を見ているのか」へと焦点を移しています。その答えを得るため、チームは各画像に対してモデルの判断に最も強く影響した領域をハイライトするヒートマップを生成する説明可能なAIツールを使用します。赤い領域ほど判断に重要で、寒色ほど重要度が低いことを示します。このアプローチにより、地質学者は機械の視覚的注意領域を痕跡化石の専門家であるイクノロジストの注目箇所と比較できます。

ブラックボックスがどのように光るか

Grad-CAMとして知られる手法は、画像が粗い特徴パッチに蒸留されるニューラルネットワークの最終層にアクセスします。モデルがクラスを決定すると、Grad-CAMはその決定が各パッチにどれだけ敏感かを測定し、その結果を元の写真に色付きのオーバーレイとして投影します。未撹乱の岩石では、ヒートマップは保存状態の良い層理や大きな未撹乱の塊状単位のパッチを明るく示す傾向があり、場合によっては均質な背景で目立つ自然の断裂や散在する小礫も強調されます。中程度に撹乱された画像では、マップは通常、個々のトンネルや層理が部分的に乱れた領域に注目し、人間の専門家がページ上で囲む箇所とよく一致します。ほとんど元の構造が消失している強く撹乱された試料では、マップは画像全体に散らばる斑点状のパターンを示し、古代の海底の広範な攪乱を反映します。

モデルが誤る点とその理由

説明が視覚的であるため、研究者らは単に誤りを記録するのではなくモデルの間違いを掘り下げることができます。いくつかの未撹乱画像は、ある種の塊やテクスチャがトンネルに似て見えたためにバイオターベーションありと誤分類されました。一方で、非常に小さかったり淡い痕跡化石は見落とされることがあり、特に写真の端の小さな隅にしか存在しない場合に顕著でした。非常に大きな構造も問題となりました：フレームの大部分を占め、内部の詳細が目立たない単一の広いトンネルは、痕跡ではなく特徴のない塊として扱われることがありました。重要な点として、ヒートマップは通常、ペンの跡、切削痕、影などの非地質的な雑物を無視しており、モデルが写真ノイズではなく岩石組織に注目することを学んでいることを示しています。著者らは、より多様で高品質な訓練画像と境界的な強度レベルの充実したカバレッジが性能をさらに向上させるだろうと示唆しています。

専門家のツールから教育支援へ

モデルの内部を検査可能にすることで、説明可能なAIは地球科学者とアルゴリズムの間の信頼のギャップを埋める手助けをします。本研究は、ネットワークの注目領域が通常専門家の判断と整合し、訓練を受けたイクノロジストが強調するのと同じトンネルや攪乱領域に集中することを示しています。この透明性により、研究や産業における自動化されたバイオターベーション解析の採用が容易になり、大量の画像ライブラリを一貫して迅速にスクリーニングすることで時間を節約し人間のバイアスを減らせます。同時に、色分けされたヒートマップは教育ツールとしても機能し、未撹乱、中程度、完全に攪乱された岩石を区別する微妙なテクスチャ手がかりに学生の目を導きます。目に見えないモデルの判断を可視化することで、この研究はAIが地質直感を置き換えるのではなく、鋭くし規模を拡げる未来を指し示しています。

引用: 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

キーワード: 説明可能なAI, バイオターベーション, 地質画像解析, ディープラーニング, 堆積コア