Искусственный интеллект может ускорить уже существующие способы обнаружения трещин и залегания пород в земной коре. На сегодняшний день такие методы сложны, трудозатратны и требуют много времени.

Решить подобные проблемы помогут нейросети. С их помощью ученые-геофизики смогут гораздо оперативнее получать и интерпретировать данные. Однако сначала искусственный интеллект необходимо научить выполнять расчёты. Такая задача стоит перед сотрудниками лаборатории аналитики потоковых данных и машинного обучения Новосибирского государственного университета.

— Мы выполняем эту работу совместно с коллегами из Института нефтегазовой геологии и геофизики им. А.А. Трофимука в рамках предоставленного им гранта от РНФ. Они связались с нами и предложили присоединиться к их проекту. Предложение показалось интересным, ведь это еще одно применение машинного обучения. Мы наглядно видим, что нейросетевые модели стали неким инструментом исследователя, как в свое время тот же микроскоп, который позволяет на новом уровне решать стоящие до его появления задачи, — рассказывает заведующий лабораторией НГУ Евгений Павловский.

Научные сотрудники Института геологии СО РАН предоставили разработчикам НГУ необходимые сейсмические данные, а также математические модели, которые представляют собой верные ответы.

— Мы знали, где находятся трещины и какие породы залегают на определённой глубине. Оставалось ввести данные датчиков, посмотреть, какие ответы даст нам нейросеть в результате машинного обучения и оценить, насколько они совпадут с «правильными», то есть модельными, — поясняет Евгений Павловский.

Исследователи уже представили первые результаты обучения нейросети широкой научной общественности. В июне сибирские учёные приняли участие в международной конференции по вычислительной науке и компьютерным приложениям, которая проходила в Афинах в онлайн-формате. Позже эти данные опубликовали на ресурсе SpringerLink.

Сейчас исследования активно продолжаются. Уже были первые попытки работать с реальными данными. Учёные добавили к готовым моделям правдоподобные шумы, смещения и перемешивания сигналов. Впереди ещё масса экспериментов. Вполне вероятно, что в дальнейшем придётся применить и университетский суперкомпьютер.