به گزارش روابط عمومی دانشگاه تهران ، پژوهش تازه‌ای که در قالب رساله دکتری مهدی سعادت ، دانشجوی رشته ژئوفیزیک – لرزه شناسی دانشگاه تهران، و به راهنمایی دکتر حسین هاشمی شاهدانی و دکتر مجید نبی بیدهندی ، اساتید موسسه ژئوفیزیک دانشگاه تهران انجام شده، بر ارتقای استفاده از هوش مصنوعی در مدل‌سازی با قدرت تفکیک بالا از خواص الاستیک زمین در محیط‌های پیچیده ساختاری متمرکز است.

دکتر هاشمی، عضو گروه فیزیک زمین موسسه ژئوفیزیک دانشگاه تهران، درباره بهره‌گیری از هوش مصنوعی، و به طور خاص روش‌های یادگیری ماشین و یادگیری عمیق در علم ژئوفیزیک گفت: «روش‌های یادگیری ماشین که از مثال‌های حل‌شده و برچسب‌دار برای آموزش تابع نگاشت بین ورودی و خروجی استفاده می‌کنند، در دهه‌های اخیر مورد اقبال پژوهشگران در علوم مختلف قرار گرفته‌اند. در این میان، استفاده از روش‌های یادگیری عمیق بدلیل قابلیت یادگیری فرآیندهای پیچیده و از طرفی پیشرفت‌های محاسبات موازی، بیشتر مورد توجه بوده است. حوزه ژئوفیزیک و لرزه‌‌نگاری نیز مانند سایر علوم از این روش‌های پیشرفته در قسمت‌های مختلف پردازش، تفسیر، و وارون‌سازی داده‌های لرزه‌ای بهره‌مند شده است.»
استاد دانشگاه تهران در این باره افزود: «مسائلی که با استفاده از یادگیری عمیق مورد بررسی قرار می‌گیرند، عمدتاً شامل دسته‌بندی و رگرسیون می‌شود. در مسائل دسته‌بندی از آنجا که معمولاً رابطه ریاضیاتی ضابطه‌مندی بین ورودی و خروجی وجود ندارد، یادگیری عمیق انتخاب مناسبی برای یادگیری یک ارتباط تجربی بین جفت‌های ورودی و خروجی است. اما در برخی مسائل رگرسیون، روابط و مدل‌های ریاضیاتی و فیزیکی ضابطه‌مندی بین داده‌ها برقرار است. در چنین شرایطی استفاده از روش‌های کاملاً مبتنی بر داده این مزیت را دارد که از دشواری کار با مدل‌های پیچیده ریاضیاتی می‌کاهد، در حالی که برای به دست آوردن یک تابع نگاشت تعمیم‌پذیر برای چنین مسائل پیچیده‌ای به حجم زیادی از داده‌های متنوع نیاز داریم که حجم و زمان محاسبات را به طور فزاینده افزایش می‌دهد.»

دکتر هاشمی، در توضیح تکنیک وارون‌سازی شکل موج کامل گفت: «یکی از ابزارهای مهم در تصویرسازی از زیر سطح زمین، وارون‌سازی داده‌های لرزه‌ای است. وارون‌سازی عبارت است از رسیدن به یک مدل الاستیک زیرسطحی از زمین با استفاده از داده‌های زمان رسید، دامنه و شکل موج لرزه بازتابی که در سطح زمین ثبت شده‌اند. روش وارون‌سازی شکل موج لرزه‌ای با تکنیک‌های شبکه‌های یادگیری عمیق، از جدیدترین روش‌های رسیدن به اطلاعات زیرسطحی زمین است. این شبکه‌ها می‌توانند مدل‌های پیچیده را با قدرت تعمیم‌پذیری بالا تخمین بزنند. برای بهبود تعمیم‌پذیری این فرآیند می‌بایست مثال‌های متعددی در یادگیری شبکه به کار برد. به عنوان مثال در تکنیک وارون‌سازی شکل موج کامل (FWI) که یک روش ساخت مدل سرعتی با قدرت تفکیک بالا از داده‌های لرزه‌ای است، مجموعه داده‌های آموزشی باید تمام مدل‌های زیرسطحی مورد انتظار را دربرگیرد.»

مهدی سعادت، پژوهشگر حوزه ژئوفیزیک، درباره استفاده از یادگیری عمیق در FWI گفت: «برای حصول یک مدل سرعتی دقیق با استفاده از FWI باید بر چالش‌های متعدد مسئله وارون‌سازی غلبه کرد. از جمله چالش‌های مساله وارون‌سازی، حجم بالای محاسبات و زمان‌بر بودن آن، وابستگی شدید به مدل اولیه، ساخت مدل اولیه، مشکل پایداری و غیریکتایی مسئله وارون است. تا کنون محققان بسیاری برای حل این چالش‌ها از یادگیری عمیق استفاده کرده‌اند. در این تلاش‌ها، از روش‌های کاملاً مبتنی بر داده برای تخمین مستقیم مدل سرعتی و عملگر وارون بهره گرفته شده است. با این حال، نقطه‌ضعف این روش‌ها بیشتر مرتبط با تعمیم‌پذیری آنها است.»

سعادت درباره راهکار ارائه‌شده در پژوهش اخیر محققان موسسه ژئوفیزیک دانشگاه تهران گفت: «در این مطالعه، با ارائه روشی نوین برای ساخت داده‌های لازم به منظور آموزش تعمیم‌پذیر شبکه‌های یادگیری عمیق و طراحی یک تابع هدف خلاقانه برای مساله وراون‌سازی شکل موج کامل و مهندسی ویژگی‌های شبکه عصبی عمیق، تلاش شده است که تعمیم‌پذیری این روش‌ها بهبود یابد.»
این دانش‌آموخته دانشگاه تهران ضمن اشاره به انتشار یافته‌های این مطالعه در نشریه Petroleum Science درباره دیگر پژوهش‌های این تیم تحقیقاتی افزود: «دسته دیگری از روش‌های یادگیری عمیق، از فیزیک مساله مورد نظر (در این مورد، معادله موج) برای دستیابی به یک مدل تعمیم‌پذیر استفاده می‌کنند. مزیت این روش‌ها در عدم نیاز به حجم داده‌های زیاد برای آموزش تعمیم‌پذیر و حل مسئله به شکل بدون نظارت است. در عین حال، می‌توان روش‌های مبتنی بر داده را با روش‌های مبتنی بر فیزیک ترکیب کرد و از مزایای هر دو روش بهره‌مند شد. نتایج مطالعات روی این دسته از مدل‌ها نیز به زودی منتشر خواهد شد.»

مقاله منتشرشده در Petroleum Science از طریق پیوند زیر در دسترس است:

Generalizable data driven full waveform inversion for complex structures and severe topographies