Fiziksel bilgi kısıtlarıyla derin öğrenme kullanarak ince ızgarada magnetotellürik ileri modelleme

Dünyanın Gizli Sinyallerini Dinlemek

Jeofizikçiler sondaj yapmadan derin yeraltını “görmenin” zekice bir yoluna sahip: Dünya boyunca yayılan zayıf doğal elektrik ve manyetik sinyalleri dinlemek. Bu sinyallerin nasıl yayıldığını modelleyerek gömülü fayları, cevher yataklarını ve jeotermal kaynakları haritalandırabiliyorlar. Ancak bunu doğru yapmak uzun süredir ağır ve zaman alan hesaplamalar gerektiriyordu. Bu makale, fizik yasalarıyla yönlendirilen yeni bir derin öğrenme yaklaşımının bu hesaplamaları önemli ölçüde hızlandırabileceğini, doğruluğu koruyup hatta iyileştirebileceğini gösteriyor.

Yeraltında İnce Ayrıntıların Neden Önemi Var

Magnetotellürik (MT) yöntemi gezegen için tıbbi görüntülemeye biraz benzer. Yüzeydeki sensörler doğal olarak oluşan elektromanyetik dalgaları kaydeder. Bu verilerden, farklı kayaçların elektrik iletkenliğinin ne kadar iyi olduğunu çıkarırlar; bu da mineral cisimleri, fay hatları veya magmanın varlığı gibi yapıları ortaya çıkarır. Belirli bir yeraltı yapısı için sinyallerin nasıl görünmesi gerektiğini hesaplamak amacıyla araştırmacılar yeraltını küçük hücrelerden oluşan bir ızgaraya böler ve tepkiyi hesaplar — buna ileri modelleme denir. Çok ince bir ızgara dar cevher zonları veya farklı kaya türleri arasındaki keskin sınırlar gibi ince özellikleri yakalar, ancak çözülmesi gereken denklem boyutunu patlatır. Sonlu eleman veya sonlu fark gibi geleneksel sayısal yöntemler, sıradan bir bilgisayarda tek bir ince ızgara modeli için yüzlerce saniye alabilir; bu da keşif ve yorumlamayı yavaşlatır.

Bir Sinir Ağına Dünyanın Kurallarını Öğretmek

Birçok ekip bu yavaş hesaplamalardan kaçınmak için ileri modelleme adımını taklit edecek şekilde sinir ağlarını eğiterek derin öğrenmeye yöneldi. Ancak saf veri‑odaklı ağlar sıklıkla fiziksel gerçeklikten sapabiliyor: eğitim örneklerine uyum sağlayabilirler ama elektromanyetik alanların gerçekten nasıl davrandığına, özellikle gürültü veya alışılmadık jeoloji olduğunda, uymayabilirler. Yazarlar bunu, Swin‑UNet adı verilen U‑şeklinde bir mimari üzerine kurulu fizik‑kısıtlı çoklu görevli bir sinir ağı olan PDMNet’i tasarlayarak ele alıyor. Bu ağ, girdi olarak 2B bir dirençlik modeli alıyor ve aynı anda iki temel MT çıktısı — görünür dirençlik ve faz — tahmin ediyor. Kritik olarak, ağ yalnızca örnek verilere uymak üzere değil, aynı zamanda magnetotellürik teoriden çıkarılan fiziksel kuralları da sağlaması için eğitiliyor.

Gerçekçi Eğitim Dünyaları Kurmak

PDMNet’i gerçek dünya çalışması için hazırlamak amacıyla araştırmacılar 34.733 sentetik yeraltı modelinden oluşan büyük bir kütüphane oluşturdular. Basit, bloklu yapıların yerine, doğal jeolojiyi daha iyi taklit eden ve daha büyük cisimlerin hacim etkilerini içeren pürüzsüz değişen dirençlik desenleri üretmek için kübik spline enterpolasyonu kullandılar. Her model için geleneksel bir sonlu eleman çözücüsü ince ızgarada hassas MT tepkileri üretti ve bunlar öğretici örnekler olarak kullanıldı. Ayrıca saha verilerinin kaçınılmaz olarak içereceği bozulmaları simüle etmek için %5’e kadar rastgele bir miktarda gürültü eklendi. Veriler ağa beslenmeden önce, eğitim kararlılığını korumak ve modelin genellemesini iyileştirmek için dirençlik ve faz değerlerinin aralıkları dikkatle normalize edildi.

Öğrenmeyi Fizik Yönlendirsin

Eğitim sırasında PDMNet iki uyumlu yönde çekiliyor. Kayıp fonksiyonunun bir kısmı, ağın tahmin ettiği görünür dirençlik ve fazın sonlu eleman yönteminden elde edilen ince ızgara sonuçlarına ne kadar yakın olduğunu ölçüyor. Diğer bir kısım ise orijinal dirençlik modelini, ağın kendi tahminlerinden hızlı bir magnetotellürik görüntüleme formülü olan Bostick inversiyonu kullanılarak yeniden oluşturulan bir dirençlik profili ile karşılaştırıyor. Bu ikinci terim fiziksel bir bekçi gibi davranıyor: tahminler olanaksız bir yeraltı yapısını ima ederse ağ fiziksel tutarlılığa doğru geri itiliyor. Maxwell denklemleri ve sınır koşullarıyla ilgili bir artık terim de öğrenme sürecine örülmüş durumda. Zamanla Bostick‑temelli kısıtın ağırlığı kademeli olarak azaltılıyor; böylece erken eğitim aşamaları fizik tarafından güçlü şekilde yönlendirilirken, sonraki aşamalar ağın verilere uyumunu ince ayarlamasına izin veriyor.

Doğruluğu Feda Etmeden Daha Hızlı Sonuçlar

Görülmemiş sentetik modeller ve Çin’deki Jinchuan nikel‑bakır sülfür yatağı gibi gerçek bir jeolojik ortam üzerinde yapılan testler, PDMNet’in altın standart olan sonlu eleman çözücüden elde edilen detaylı desenleri ve yapıları yakından yeniden ürettiğini gösteriyor. Sayısal hata ve yapısal benzerlik ölçüleri, özellikle ince yerel özellikleri yakalamada ve gürültülü girdilerle başa çıkmada saf veri‑odaklı bir Swin‑UNet’e göre PDMNet’i destekliyor. En çarpıcı olanı, eğitildikten sonra PDMNet’in aynı ızgara çözünürlüğünde ince ızgara ileri tepkilerini yaklaşık bir saniyede üretebilmesi; geleneksel çözücü aynı koşullarda yaklaşık 210 saniye alıyor. Basitçe söylemek gerekirse, bu yöntem temel fiziğe saygı gösterirken yüzlerce kat daha hızlı şekilde yeraltının yüksek çözünürlüklü görüntülerini sağlıyor.

Ayaklarımız Altındaki Keşif İçin Yeni Bir Araç

Uzman olmayanlar için ana mesaj şudur: bu çalışma, yeraltı görüntülemede yavaş ve hesaplama‑yoğun bir adımı bilimsel titizlikten ödün vermeden hızlı, yapay zekâ destekli bir işleve dönüştürüyor. Derin öğrenmeyi titizlikle tasarlanmış fiziksel kısıtlarla harmanlayarak, yazarlar makinelerin sadece verilerdeki desenleri değil, aynı zamanda Dünya’nın elektromanyetik davranışını yöneten kuralları da öğrenebileceğini gösteriyor. Bu, birçok olası yeraltı senaryosunu daha kolay ve hızlı test etmeyi sağlar; kaynak keşfi, jeotermal geliştirme ve Dünya’nın derin yapısına ilişkin çalışmalar için daha iyi kararları destekler. Aynı strateji nihayetinde tam 3B modellere genişletilebilir ve ayaklarımızın altındakilerin daha zengin görüntülerini vaat eder.

Atıf: Wang, K., Yuan, C., Zhu, H. et al. Magnetotelluric forward modeling on fine grid via deep learning with physical information constraints. Sci Rep 16, 6412 (2026). https://doi.org/10.1038/s41598-026-37645-1

Anahtar kelimeler: magnetotellürik, jeofiziksel görüntüleme, derin öğrenme, fizik-bilgili yapay zeka, yeraltı keşfi