Открывая «чёрный ящик»: объяснимая ИИ для автоматизированного анализа биотурбации в кернах и обнажениях

Видеть скрытые подсказки в древней грязи

Когда животные проделывают ходы в мягком морском дне, они оставляют сеть туннелей, которая может сохраниться миллионы лет. Эти тонкие узоры, называемые биотурбацией, помогают геологам реконструировать прошлые условия и даже находить залежи нефти и газа. Но обнаружение и оценка таких следов визуально — медленный и субъективный процесс. В этом исследовании показано, как новое поколение «объяснимого» искусственного интеллекта не только автоматизирует задачу, но и раскрывает, на что именно смотрит компьютер, превращая чёрный ящик в прозрачный.

Почему ходы в породе имеют значение

Многие геологические выводы всё ещё начинаются с простого взгляда: на обрывы, керны и тонкие шлифы породы. Расположение слоёв, степень их сохранности или нарушенности и места пересечения ходами дают подсказки о глубине воды, энергии среды, уровне кислорода и существах, которые там жили. Геологи часто суммируют это нарушение как интенсивность биотурбации: от нетронутых слоёв до полностью перемешанного осадка. Эти градации необходимы для воссоздания древних побережий и для оценки того, насколько легко жидкости могут перемещаться по захороненным песчаникам, способным служить резервуарами. Тем не менее даже эксперты могут расходиться во мнениях, особенно в пограничных случаях, когда биотурбация умеренная, а не явно слабая или интенсивная.

Обучение компьютера читать фотографии пород

Авторы опираются на ранее созданную модель глубокого обучения, обученную сортировать фотографии песчаниковых кернов и обнажений по трём широким уровням биотурбации: нетронутые, умеренно нарушенные и сильно нарушенные. Модель уже показала высокую точность, правильно классифицировав большинству из 262 тестовых изображений. В этом исследовании акцент смещается с «насколько хорошо она работает?» на «что именно она видит?». Чтобы ответить на это, команда использует инструменты объяснимой ИИ, которые создают тепловые карты для каждого изображения, выделяя области, наиболее сильно повлиявшие на выбор модели. Более красные участки важнее для решения; более холодные тона — менее важны. Такой подход позволяет геологам сопоставлять визуальное внимание машины с вниманием опытного ихнолога — специалиста по следовым ископаемым.

Как «чёрный ящик» загорается

Метод, известный как Grad-CAM, использует последние слои нейронной сети, где изображение сведено к грубым ячейкам признаков. Когда модель выбирает класс, Grad-CAM измеряет, насколько чувствительно это решение к каждой ячейке, а затем проецирует результат обратно на оригинальную фотографию в виде цветной наложенной карты. Для нетронутых пород тепловые карты обычно подсвечивают участки с хорошо сохранившейся слоистостью или массивные, нетронутые тела, иногда выделяя естественные трещины или рассыпанные гальки, которые контрастируют с однородным фоном. В случаях умеренной биотурбации карты обычно фокусируются на отдельных ходах или зонах частичного нарушения слоёв, что почти полностью совпадает с тем, что отметит человек-эксперт. В сильно переработанных образцах, где почти вся исходная структура стерта, карты показывают пятнистый рисунок, распространённый по всему изображению и отражающий повсеместное перемешивание древнего морского дна.

Что модель ошибочно определяет — и почему

Поскольку объяснения визуальны, исследователи могут исследовать ошибки модели, а не просто фиксировать их как промахи. Некоторые нетронутые изображения были ошибочно приняты за биотурбированные, когда отдельные обломки или текстуры напоминали ходы. В других случаях крошечные или очень слабые следовые ископаемые оставались незамеченными, особенно если занимали лишь небольшой угол снимка. Очень крупные структуры тоже создавали трудности: если один широкий ход заполнял большую часть кадра и внутренние детали были приглушены, модель восприняла его как бесструктурную массу, а не как след. Важно, что тепловые карты показывают: система в целом игнорирует не-геологические помехи — такие как отметки ручкой, следы пилы и тени — демонстрируя, что она научилась фокусироваться на тканях породы, а не на шуме фотографии. Авторы предполагают, что более разнообразные, более качественные обучающие изображения и лучшее покрытие пограничных уровней интенсивности улучшили бы работу модели.

От инструмента для эксперта к учебному пособию

Открывая внутреннюю логику модели для инспекции, объяснимая ИИ помогает сократить разрыв доверия между геонаукой и алгоритмами. Исследование показывает, что внимание сети обычно совпадает с оценкой экспертов, фокусируясь на тех же ходах и зонах нарушения, которые выделил бы обученный ихнолог. Такая прозрачность облегчает внедрение автоматизированного анализа биотурбации в исследования и промышленность, где последовательный и быстрый отбор больших библиотек изображений может сэкономить время и уменьшить человеческие предубеждения. В то же время красочные тепловые карты служат и как обучающий инструмент, направляя взгляд студентов к тонким текстурным подсказкам, которые отличают нетронутую, умеренно нарушенную и полностью перемешанную породу. Превращая невидимые решения модели в видимые рисунки, эта работа указывает на будущее, где ИИ не заменяет геологическую интуицию, а делает её острее и масштабируемой.

Цитирование: 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

Ключевые слова: объяснимая ИИ, биотурбация, геологический анализ изображений, глубокое обучение, седиментные керны