Похожие статьи
Нейронные сети могут ускорить уже известные методы обнаружения разломов и пластов в земной коре. До сих пор такие расчеты представляли собой длительный, сложный и требующий больших вычислительных затрат процесс. Технологии искусственного интеллекта позволяют решать эту задачу гораздо быстрее, получая картину, которую могут интерпретировать ученые-геофизики. Но сначала необходимо обучить нейросетевую модель для таких расчетов. Этим сейчас занимаются исследователи лаборатории анализа потоковых данных и машинного обучения механико-математического факультета Новосибирского государственного университета. Об этом сообщает пресс-служба университета.
Первые результаты обучения нейронной сети были представлены исследователями в июне этого года на Международной конференции по информатике и компьютерным приложениям, проходившей в Афинах в режиме онлайн. Позже данные были опубликованы на сайте SpringerLink. Сейчас участники этого проекта готовятся к публикации новых результатов. Недавно они добились значительного прогресса в обучении нейронных сетей «видеть» сквозь слои земной коры. Об этом рассказал Евгений Павловский, заведующий лабораторией.
«Эта работа ведется 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 нам интересным, поскольку это еще одно применение машинного обучения. Мы отчетливо видим, что нейросетевые модели стали своеобразным инструментом исследователя, как микроскоп, который позволяет на новом уровне решать задачи, которые были у нас до его открытия», — пояснил Евгений.
Исследователи ИНГГ СО РАН, в свою очередь, предоставили ученым лаборатории необходимые для работы сейсмические данные, а также рассчитанные ими математические модели, которые представляли собой правильные ответы. Такой подход к созданию синтетических данных на основе моделей называется суррогатным моделированием.
Для обучения нейросетевой модели исследователи провели множество различных экспериментов. В результате были выбраны архитектура UNet и оптимизатор AdamW. С их помощью удалось восстановить трещины в модели. Однако доля согласия по метрике Dice на тесте составила 30%.
Евгений Павловский отметил, что переход от модельных данных к реальным будет очень сложным. Модель не учитывает многие другие факторы, возникающие в реальной ситуации, а нейронная сеть достаточно сильно зависит от специфики исходных данных, на которых она обучалась.
Первые попытки работы с реальными данными были не очень успешными. Поэтому исследователи добавили к готовым моделям новые приемы — правдоподобный шум, сдвиги и смешение сигналов. Графический образ, полученный нейронной сетью, был не так хорош, как при использовании суррогатных моделей, но это был первый шаг к переходу на реальные данные. Поиск нетривиальных подходов к обучению нейронных сетей потребует большого количества экспериментов и вычислений. Евгений Павловский уточняет, что в настоящее время используются вычислительные ресурсы его лаборатории, но в будущем, возможно, придется задействовать университетский суперкомпьютер.
О светлом будущем заботятся политики, о светлом прошлом – историки, о светлом настоящем – журналисты.
