Siyah kutuyu açmak: core ve yamaçlardaki otomatik biyoturbasyon analizinde açıklanabilir Yapay Zeka

Antik Çamurda Gizli İpuçlarını Görmek

Hayvanlar yumuşak deniz tabanı çamurunda tüneller açtığında, milyonlarca yıl korunabilecek bir labirent bırakırlar. Biyoturbasyon adı verilen bu ince desenler, jeologların geçmiş çevreleri okumalarına ve hatta petrol ve gaz rezervuarlarını bulmalarına yardımcı olur. Ancak bu izleri gözle tespit edip sınıflandırmak yavaş ve öznel bir iştir. Bu çalışma, yeni nesil “açıklanabilir” yapay zekanın bu görevi otomatikleştirmenin ötesinde, bilgisayarın tam olarak neye baktığını da ortaya koyabileceğini; böylece siyah kutuyu cam bir kutuya çevirebileceğini gösteriyor.

Taş İçindeki Tünellerin Neden Önemi Var

Birçok jeolojik karar hâlâ basit görmeye dayanır: kayalıklarda, sondaj çekirdeklerinde ve ince kesitlerde. Tabakaların düzenlenişi, ne kadar temiz veya bozulmuş göründükleri ve tünellerin nerelerden geçtiği hepsi su derinliği, enerji, oksijen düzeyi ve o bölgede yaşamış canlılar hakkında ipuçları verir. Jeologlar genellikle bu bozulmayı, dokunulmamış tabakalardan tamamen karışmış sedimanlara kadar değişen bir biyoturbasyon yoğunluğu olarak özetler. Bu dereceler, antik kıyı çizgilerini yeniden kurmak ve gömülü kumtaşları gibi rezervuar görevi görebilecek kayaçlarda akışkanların ne kadar kolay hareket edebileceğini değerlendirmek için hayati önemdedir. Yine de, özellikle sınır vakalarında —biyoturbasyonun belirgin şekilde zayıf veya güçlü olmadığı durumlarda— uzmanlar arasında fikir ayrılıkları olabilir.

Bilgisayara Kaya Fotoğraflarını Okutmak

Yazarlar, kumtaşı core ve yüzey fotoğraflarını üç geniş biyoturbasyon düzeyine ayırmak üzere eğitilmiş önceki bir derin öğrenme modelinin üzerine inşa ediyor: işlenmemiş, orta derecede işlenmiş ve yoğun şekilde işlenmiş. Model zaten yüksek doğruluk göstermiş ve 262 test görüntüsünün çoğunu doğru sınıflandırmıştı. Bu çalışmada odak noktası “Ne kadar iyi yapıyor?” sorusundan “Gerçekte ne görüyor?” sorusuna kayıyor. Bunu yanıtlamak için ekip, her görüntü üzerinde modelin seçiminde en güçlü etkiye sahip bölgeleri vurgulayan ısı haritaları üreten açıklanabilir yapay zeka araçları kullanıyor. Kızıl alanlar kararda daha fazla önem taşır; soğuk tonlar daha azdır. Bu yaklaşım jeologların makinenin görsel dikkatini deneyimli bir iz fosili uzmanınınkine (ichnologist) karşılaştırmasına olanak tanıyor.

Siyah Kutu Nasıl Aydınlanıyor

Grad-CAM olarak bilinen yöntem, görüntünün kaba özellik yamalarına dönüştürüldüğü sinir ağının son katmanlarına erişir. Model bir sınıfa karar verdiğinde, Grad-CAM bu kararın her yama için ne kadar hassas olduğunu ölçer ve sonucu orijinal fotoğraf üzerine renkli bir örtü olarak yansıtır. Biyoturbasyonsuz kayalarda ısı haritaları genellikle iyi korunmuş tabakalanma veya büyük, bozulmamış birimlerin yamalarını aydınlatır; bazen ayrıca tekdüze bir arka plana karşı öne çıkan doğal çatlakları veya dağınık çakılları vurgular. Orta derecede biyoturbasyonlu görüntülerde haritalar genellikle bireysel tünellere veya tabakalanmanın kısmen bozulduğu bölgelere odaklanır; bu, insan uzmanların sayfada daire içine alacağı alanlarla yakından örtüşür. Neredeyse tüm orijinal yapının silindiği yoğun şekilde işlenmiş örneklerde ise haritalar tüm görüntüye yayılmış benekli bir desen gösterir; bu, antik deniz tabanının yaygın biçimde karıştırılmasını yansıtır.

Modelin Yanıldığı Noktalar — ve Nedenleri

Açıklamalar görsel olduğu için araştırmacılar hataları sadece kaydetmek yerine modelin hatalarını inceleyebiliyor. Bazı işlenmemiş görüntüler, belirli clastlar veya dokular tünellere benzediğinde biyoturbasyonlu olarak yanlış okunmuş. Başka durumlarda, çok küçük veya çok soluk iz fosilleri gözden kaçmış; özellikle fotoğrafın yalnızca küçük bir köşesini işgal ettiklerinde. Çok büyük yapılar da sorun yarattı: eğer tek bir geniş tünel karesinin çoğunu dolduruyorsa ve iç detayları bastırılmışsa, model bunu iz yerine şekilsiz bir kütle olarak değerlendirdi. Önemli olarak, ısı haritaları sistemin genellikle kalem izleri, testere kesikleri ve gölgeler gibi jeolojik olmayan dağınıklıkları görmezden geldiğini gösteriyor; bu da modelin fotoğraf gürültüsü yerine kaya dokularına odaklanmayı öğrendiğini ortaya koyuyor. Yazarlar, daha çeşitli, daha yüksek kaliteli eğitim görüntülerinin ve sınırdaki yoğunluk seviyelerinin daha iyi kapsanmasının performansı daha da artıracağını öne sürüyor.

Uzman Aracından Öğretim Yardımcısına

Modelin iç işleyişini incelemeye açarak açıklanabilir yapay zeka, jeobilimciler ile algoritmalar arasındaki güven boşluğunu kapatmaya yardımcı olur. Çalışma, ağın dikkatinin genellikle uzman yargısıyla örtüştüğünü, eğitimli bir ichnologist’in vurgulayacağı aynı tünellere ve bozulmuş bölgelere odaklandığını gösteriyor. Bu şeffaflık, araştırmada ve endüstride büyük görüntü kütüphanelerinin tutarlı, hızlı taranmasının zaman kazandırıp insan önyargısını azaltabileceği otomatik biyoturbasyon analizinin benimsenmesini kolaylaştırır. Aynı zamanda, renkli ısı haritaları öğretim aracı olarak da çift görev görerek öğrencilerin işlenmemiş, orta derecede işlenmiş ve tamamen karışmış kayaları ayıran ince dokusal ipuçlarına gözlerini yönlendirir. Görünmez model kararlarını görünür desenlere dönüştürerek, çalışma Yapay Zeka’nın jeolojik sezgiyi ortadan kaldırmak yerine onu keskinleştiren ve ölçeklendiren bir geleceğe işaret ediyor.

Atıf: 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

Anahtar kelimeler: açıklanabilir yapay zeka, biyoturbasyon, jeolojik görüntü analizi, derin öğrenme, sedimanter core'lar