پردازش داده‌های لرزه‌ای یکی از پایه‌های اساسی در اکتشافات نفت و گاز، مهندسی ژئوتکنیک و مطالعه ساختارهای زیرسطحی زمین است. در سال‌های اخیر، یادگیری عمیق (Deep Learning) به عنوان ابزاری قدرتمند برای خودکارسازی و بهبود وظایف مختلف پردازشی مانند نویززدایی، تخمین سرعت و برداشت فازها معرفی شده است. با این حال، یک چالش بزرگ در این زمینه وجود دارد: مدل‌های یادگیری عمیق معمولاً برای هر وظیفه به‌صورت مجزا و از ابتدا آموزش داده می‌شوند. این رویکرد نه تنها زمان‌بر و پرهزینه است، بلکه از ویژگی‌های مشترک و بنیادی موجود در داده‌های لرزه‌ای که می‌توانند برای چندین وظیفه مفید باشند، چشم‌پوشی می‌کند.

مقاله “StorSeismic: A new paradigm in deep learning for seismic processing” که توسط رندی هارسوکو و طارق الخلیفه ارائه شده، یک راه‌حل نوآورانه برای این مشکل معرفی می‌کند. این مقاله یک چارچوب جدید به نام StorSeismic را پیشنهاد می‌دهد که با الهام از موفقیت‌های مدل‌های زبانی بزرگ در پردازش زبان طبیعی (NLP)، به دنبال ایجاد یک مدل پایه‌ی چندمنظوره برای پردازش داده‌های لرزه‌ای است. اهمیت این پژوهش در تغییر نگرش از آموزش مدل‌های تخصصی و تک‌کاره به سمت ایجاد یک مدل عمومی است که می‌تواند ویژگی‌های کلیدی داده‌های لرزه‌ای را “یاد بگیرد” و سپس برای انجام وظایف مختلف با حداقل آموزش اضافی، “تنظیم دقیق” شود. این پارادایم جدید پتانسیل ایجاد تحولی بزرگ در سرعت، کارایی و دقت پردازش‌های لرزه‌ای را دارد.

این مقاله توسط رندی هارسوکو (Randy Harsuko) و طارق الخلیفه (Tariq Alkhalifah) از دانشگاه علم و صنعت ملک عبدالله (KAUST) در عربستان سعودی به نگارش درآمده است. پروفسور طارق الخلیفه یکی از چهره‌های برجسته و شناخته‌شده در حوزه ژئوفیزیک و پردازش سیگنال‌های لرزه‌ای در سطح جهان است و تحقیقات او تأثیرات گسترده‌ای بر این صنعت داشته است. گروه تحقیقاتی وی در KAUST بر روی توسعه روش‌های نوین در تصویربرداری لرزه‌ای، وارون‌سازی و به‌کارگیری هوش مصنوعی در علوم زمین تمرکز دارد. این مقاله محصول تلاقی دو حوزه پیشرفته، یعنی ژئوفیزیک محاسباتی و یادگیری عمیق است و نشان‌دهنده تلاش برای بهره‌گیری از آخرین دستاوردهای هوش مصنوعی برای حل چالش‌های دیرینه در علوم زمین می‌باشد.

مقاله استدلال می‌کند که وظایف مختلف یادگیری ماشین بر روی داده‌های لرزه‌ای، علی‌رغم استفاده از ویژگی‌های هندسی مشترک، اغلب به صورت متوالی و جداگانه آموزش داده می‌شوند. برای رفع این نقیصه، چارچوب StorSeismic معرفی می‌شود که شامل دو مرحله کلیدی است: پیش‌آموزش (Pre-training) و تنظیم دقیق (Fine-tuning). در مرحله اول، یک شبکه عصبی به‌عنوان یک مدل پیش‌پردازشی عمل کرده و ویژگی‌های بنیادی و هندسی یک مجموعه داده لرزه‌ای خاص را در خود “ذخیره” می‌کند. این مرحله به صورت خودنظارتی (Self-supervised) و بدون نیاز به داده‌های برچسب‌دار انجام می‌شود.

پس از پیش‌آموزش، مدل حاصل می‌تواند برای انجام وظایف پایین‌دستی (Downstream tasks) مختلف از طریق فرآیند تنظیم دقیق مورد استفاده قرار گیرد. در این مرحله، مدل با استفاده از مقدار محدودی داده برچسب‌دار، برای یک کاربرد خاص (مانند نویززدایی) بهینه می‌شود. نویسندگان برای پیاده‌سازی این چارچوب از معماری BERT (Bidirectional Encoder Representations from Transformer)، که یک مدل ترنسفورمر قدرتمند در حوزه NLP است، بهره گرفته‌اند. مکانیزم توجه (Attention Mechanism) در مدل BERT این قابلیت را دارد که با تحلیل دنباله‌ای از تریس‌ها (traces) در یک شات گدر (Shot Gather)، روابط پیچیده و ویژگی‌های هندسی کلیدی داده‌ها را شناسایی و ذخیره کند. نتایج نشان می‌دهد که مدل نهایی پس از تنظیم دقیق، عملکردی رضایت‌بخش بر روی داده‌های میدانی واقعی از خود به نمایش می‌گذارد.

ستون فقرات روش‌شناسی StorSeismic، استفاده هوشمندانه از معماری ترنسفورمر و فرآیند دو مرحله‌ای آموزش است. در ادامه، این مراحل با جزئیات بیشتری تشریح می‌شوند:

• الهام از پردازش زبان طبیعی (NLP): نویسندگان، یک شات گدر لرزه‌ای را به مثابه یک “جمله” و هر تریس لرزه‌ای را به عنوان یک “کلمه” در آن جمله در نظر می‌گیرند. همان‌طور که مدل BERT روابط معنایی بین کلمات یک جمله را یاد می‌گیرد، در اینجا نیز می‌تواند روابط فضایی و زمانی (ویژگی‌های هندسی) بین تریس‌های مختلف را درک کند.
• مرحله اول: پیش‌آموزش خودنظارتی (Self-supervised Pre-training): در این مرحله، مدل بر روی حجم عظیمی از داده‌های لرزه‌ای بدون برچسب (شامل داده‌های میدانی واقعی و داده‌های مصنوعی تولید شده) آموزش داده می‌شود. هدف این مرحله، یادگیری یک بازنمایی (Representation) غنی و عمومی از داده‌ها است. مدل یاد می‌گیرد که ساختار کلی داده‌ها، الگوهای امواج، هذلولی‌ها و سایر ویژگی‌های ذاتی را بدون آنکه به طور مشخص به او گفته شود، درک کند. این فرآیند شبیه یادگیری زبان توسط انسان است که در ابتدا ساختار و قواعد کلی را می‌آموزد.
• معماری BERT و مکانیزم توجه: مدل BERT به دلیل داشتن مکانیزم توجه (Attention Mechanism) دوطرفه، انتخابی ایده‌آل است. این مکانیزم به مدل اجازه می‌دهد تا هنگام تحلیل یک تریس خاص، به تمام تریس‌های دیگر در همان شات گدر “توجه” کند. این قابلیت برای درک ویژگی‌های هندسی که به ارتباط بین تریس‌های دور و نزدیک بستگی دارند (مانند پیوستگی رویدادها)، حیاتی است.
• مرحله دوم: تنظیم دقیق نظارت‌شده (Supervised Fine-tuning): پس از آنکه مدل پایه در مرحله پیش‌آموزش، درک عمیقی از داده‌های لرزه‌ای پیدا کرد، نوبت به تخصصی‌سازی آن برای یک وظیفه خاص می‌رسد. در این مرحله، لایه‌های نهایی مدل با استفاده از مجموعه داده‌ای کوچک‌تر اما برچسب‌دار، برای یک کاربرد مشخص آموزش داده می‌شود. به عنوان مثال، برای وظیفه نویززدایی، مدل با داده‌های نویزی (به‌عنوان ورودی) و داده‌های تمیز (به‌عنوان خروجی مطلوب) تنظیم دقیق می‌شود.

این رویکرد دو مرحله‌ای باعث می‌شود که بخش عمده‌ای از یادگیری بر روی داده‌های بدون برچسب انجام شود که به وفور در دسترس هستند و نیاز به داده‌های برچسب‌دار که تهیه آن‌ها پرهزینه است، به شدت کاهش می‌یابد.

نتایج تجربی ارائه شده در مقاله، موفقیت چشمگیر چارچوب StorSeismic را تأیید می‌کند. مهم‌ترین یافته‌های این پژوهش عبارتند از:

• قابلیت تعمیم‌پذیری بالا: مدل پیش‌آموزش‌دیده StorSeismic یک پایه قدرتمند برای وظایف مختلف فراهم می‌کند. نویسندگان نشان دادند که با یک مدل پایه یکسان، می‌توان با فرآیند تنظیم دقیق، به نتایج عالی در چهار وظیفه کاملاً متفاوت دست یافت:
  • نویززدایی (Denoising): حذف نویزهای تصادفی از داده‌ها.
  • تخمین سرعت (Velocity Estimation): استخراج میدان سرعت از داده‌ها.
  • برداشت اولین رسید (First Arrival Picking): شناسایی زمان رسیدن اولین موج لرزه‌ای.
  • تصحیح NMO (Normal Moveout): صاف کردن رویدادهای هذلولی در داده‌های CMP.
• عملکرد موفق بر روی داده‌های میدانی: یکی از بزرگترین چالش‌های مدل‌های یادگیری عمیق در ژئوفیزیک، شکاف بین عملکرد روی داده‌های مصنوعی (که برای آموزش استفاده می‌شوند) و داده‌های میدانی واقعی است. این مقاله نشان می‌دهد که StorSeismic پس از تنظیم دقیق روی داده‌های مصنوعی، قادر است نتایج بسیار مطلوبی را بر روی داده‌های میدانی پیچیده و نویزی تولید کند. این امر نشان‌دهنده توانایی بالای مدل در یادگیری ویژگی‌های بنیادی و قابل تعمیم است.
• کارایی در آموزش: فرآیند پیش‌آموزش و تنظیم دقیق به طور قابل توجهی کارآمدتر از آموزش چهار مدل مجزا از ابتدا است. پس از یک بار سرمایه‌گذاری محاسباتی برای پیش‌آموزش، تنظیم دقیق برای وظایف جدید بسیار سریع‌تر و با نیاز به داده‌های برچسب‌دار کمتری انجام می‌شود.

چارچوب StorSeismic یک تغییر پارادایم در نحوه استفاده از یادگیری عمیق در پردازش لرزه‌ای ایجاد می‌کند و دستاوردهای عملی متعددی به همراه دارد:

• دموکراتیزه کردن هوش مصنوعی در ژئوفیزیک: با ارائه یک مدل پایه قدرتمند و پیش‌آموزش‌دیده، شرکت‌ها و محققان کوچک‌تر که به منابع محاسباتی عظیم یا داده‌های برچسب‌دار گسترده دسترسی ندارند، می‌توانند این مدل را برای نیازهای خاص خود تنظیم دقیق کرده و از مزایای یادگیری عمیق بهره‌مند شوند.
• تسریع فرآیندهای کاری: به جای صرف هفته‌ها یا ماه‌ها برای توسعه و آموزش یک مدل جدید برای هر وظیفه، ژئوفیزیکدانان می‌توانند از StorSeismic به عنوان یک نقطه شروع قوی استفاده کنند و در زمان کوتاهی به یک راه‌حل کارآمد برسند.
• افزایش دقت و پایداری: از آنجایی که مدل پایه ویژگی‌های عمومی و اساسی داده‌های لرزه‌ای را آموخته است، نتایج حاصل از تنظیم دقیق معمولاً پایدارتر و دقیق‌تر از مدل‌هایی هستند که فقط بر روی یک مجموعه داده کوچک و تخصصی آموزش دیده‌اند.
• ایجاد یک اکوسیستم جدید: این رویکرد راه را برای ایجاد “مدل‌های بنیادی” (Foundation Models) در علوم زمین هموار می‌کند. می‌توان تصور کرد که در آینده، مدل‌های پیش‌آموزش‌دیده بر روی مجموعه داده‌های متنوع از مناطق مختلف جغرافیایی ارائه شوند و جامعه علمی بتواند از آن‌ها برای کاربردهای نوآورانه استفاده کند.

مقاله “StorSeismic” یک گام بزرگ و رو به جلو در ادغام یادگیری عمیق با پردازش لرزه‌ای است. این پژوهش با موفقیت نشان می‌دهد که می‌توان با الهام از پیشرفت‌های حوزه پردازش زبان طبیعی، رویکردهای سنتی آموزش مدل‌های تک‌کاره را کنار گذاشت و به سمت یک چارچوب یکپارچه، کارآمد و چندمنظوره حرکت کرد. چارچوب پیش‌آموزش و تنظیم دقیق، همراه با استفاده هوشمندانه از معماری قدرتمند ترنسفورمر، پتانسیل آن را دارد که فرآیندهای پردازش لرزه‌ای را متحول کرده و به اکتشافات دقیق‌تر و سریع‌تر منابع زیرزمینی کمک شایانی نماید. StorSeismic نه تنها یک راه‌حل فنی، بلکه یک دیدگاه جدید است که آینده تحقیقات هوش مصنوعی در علوم زمین را شکل خواهد داد.