Otwarcie czarnej skrzynki: wyjaśnialna sztuczna inteligencja do zautomatyzowanej analizy bioturbacji w rdzeniach i odsłonięciach

Widzieć ukryte wskazówki w pradawnym mule

Gdy zwierzęta drążą w miękkim mule dennego osadu, zostawiają po sobie labirynt tuneli, który może zachować się przez miliony lat. Te subtelne wzory, zwane bioturbacją, pomagają geologom odczytywać dawne środowiska, a nawet odnajdywać złożyska ropy i gazu. Jednak rozpoznawanie i ocenianie tych śladów „na oko” jest powolne i subiektywne. Badanie to pokazuje, jak nowe pokolenie „wyjaśnialnej” sztucznej inteligencji może nie tylko zautomatyzować to zadanie, lecz także ujawnić, na co dokładnie patrzy komputer, przekształcając czarną skrzynkę w szklaną.

Dlaczego kory tunelowe w skale mają znaczenie

Wiele decyzji geologicznych wciąż zaczyna się od prostego oglądu: klifów, rdzeni wiertniczych i cienkich przekrojów skalnych. Układ warstw, ich czystość lub stopień zakłócenia oraz miejsca, gdzie kory przecinają te warstwy, wskazują na głębokość wody, energię środowiska, poziomy tlenu i organizmy, które tam żyły. Geolodzy często podsumowują takie zaburzenia jako intensywność bioturbacji, od nienaruszonych warstw po całkowicie wymieszane osady. Te stopnie są kluczowe przy rekonstrukcji dawnych linii brzegowych i ocenie, jak łatwo płyny mogą przepływać przez zagrzebane piaskowce będące potencjalnymi złożami. Nawet eksperci mogą się jednak różnić, zwłaszcza w przypadkach granicznych, gdzie bioturbacja jest umiarkowana, a nie wyraźnie słaba lub silna.

Nauczenie komputera czytać zdjęcia skał

Autorzy opierają się na wcześniejszym modelu głębokiego uczenia wyszkolonym do klasyfikowania zdjęć rdzeni piaskowcowych i odsłonięć w trzy szerokie poziomy bioturbacji: niezmieszane, umiarkowanie zmieszane i intensywnie zmieszane. Model już wykazał wysoką dokładność, poprawnie klasyfikując większość z 262 zdjęć testowych. W tym badaniu uwaga przesuwa się z pytania „Jak dobrze to działa?” na „Co on właściwie widzi?”. Aby to ustalić, zespół wykorzystuje narzędzia wyjaśnialnej SI, które generują mapy cieplne nakładane na każde zdjęcie, uwydatniające rejony, które najsilniej wpłynęły na wybór modelu. Czerwone obszary mają większe znaczenie dla decyzji; chłodniejsze tony mają mniejsze. Podejście to pozwala geologom porównać wizualną uwagę maszyny z uwagą doświadczonego ichnologa — eksperta od śladów kopalnych.

Jak czarna skrzynka się rozświetla

Metoda znana jako Grad-CAM sięga do końcowych warstw sieci neuronowej, gdzie obraz został sprowadzony do grubych łat cech. Gdy model decyduje o klasie, Grad-CAM mierzy, jak wrażliwa jest ta decyzja na każdą z tych łat, a następnie projektuje wynik z powrotem na oryginalne zdjęcie jako kolorową nakładkę. Dla skał bez bioturbacji mapy cieplne zwykle rozświetlają fragmenty dobrze zachowanych warstw lub masywne, niezakłócone jednostki, czasem podkreślając także naturalne spękania lub rozrzucone otoczaki, które wyróżniają się na jednorodnym tle. W obrazach o umiarkowanej bioturbacji mapy zwykle koncentrują się na pojedynczych korytach lub strefach, gdzie warstwowanie zostało częściowo zaburzone, ściśle pokrywając się z tym, co eksperci zaznaczyliby na zdjęciu. W próbkach silnie wymieszanych, gdzie niemal cała pierwotna struktura została zniszczona, mapy ukazują nakrapiany wzór rozproszony po całym obrazie, odzwierciedlając powszechne przemieszanie pradawnego dna morskiego.

Co model robi źle — i dlaczego

Ponieważ wyjaśnienia mają formę wizualną, badacze mogą badać błędy modelu zamiast tylko zapisywać je jako pomyłki. Niektóre obrazy niezmieszane zostały błędnie odczytane jako bioturbowane, gdy pewne fragmenty skalne lub tekstury przypadkowo przypominały kory. W innych przypadkach drobne lub bardzo słabe ślady kopalne zostały pominięte, zwłaszcza gdy zajmowały tylko mały róg zdjęcia. Problemy sprawiały też bardzo duże struktury: gdy pojedyncze szerokie koryto wypełniało większość kadru, a jego wewnętrzne detale były przytłumione, model traktował je jako bezkształtną masę zamiast śladu. Co ważne, mapy cieplne pokazują, że system generalnie ignoruje niegeologiczne zanieczyszczenia, takie jak ślady długopisu, cięcia piłą czy cienie, co dowodzi, że nauczył się skupiać na strukturze skały, a nie na szumie fotograficznym. Autorzy sugerują, że bardziej zróżnicowany zestaw zdjęć treningowych o wyższej jakości oraz lepsze pokrycie poziomów granicznych intensywności dodatkowo poprawiłyby wydajność.

Od narzędzia eksperckiego do pomocy dydaktycznej

Ujawniając wewnętrzne działanie modelu, wyjaśnialna SI pomaga zmniejszyć lukę zaufania między geonaukowcami a algorytmami. Badanie pokazuje, że uwaga sieci zazwyczaj pokrywa się z oceną ekspertów, skupiając się na tych samych korytach i strefach zaburzeń, które podkreśliłby wytrenowany ichnolog. Ta przejrzystość ułatwia wdrażanie zautomatyzowanej analizy bioturbacji zarówno w badaniach naukowych, jak i w przemyśle, gdzie spójne i szybkie przesiewanie dużych bibliotek zdjęć może oszczędzić czas i zmniejszyć stronniczość ludzką. Równocześnie kolorowe mapy cieplne służą jako narzędzie dydaktyczne, kierując wzrok studentów ku subtelnym cechom tekstury, które odróżniają skały niezmieszane, umiarkowanie zmieszane i całkowicie przemieszane. Przekształcając niewidzialne decyzje modelu w widoczne wzory, praca ta wskazuje drogę ku przyszłości, w której SI nie zastępuje intuicji geologicznej, lecz ją zaostrza i skaluje.

Cytowanie: 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

Słowa kluczowe: wyjaśnialna SI, bioturbacja, analiza obrazów geologicznych, uczenie głębokie, rdzenie osadowe