Российские ученые ускорили работу ИИ с сейсмическими волнами в десятки раз

Москва. 17 сентября. ГеоИнфо — Исследователи из России разработали алгоритм, позволяющий значительно ускорить преобразование данных сейсмографических замеров в детализированные карты подземных структур. Новый подход требует в разы меньше вычислительных операций по сравнению с существующими решениями и может найти применение в поиске полезных ископаемых, а также при оценке сейсмических рисков в строительстве. Об этом сообщили ТАСС в пресс-службе МФТИ.

«В отличие от уже существующих диффузионных моделей ИИ, разработанная учеными система не восстанавливает карты из случайного шума, а строит “мост” между двумя конкретными точками: приблизительной и детализированной эталонной моделью. Это сокращает число операций в разы — для получения карты требуется всего 50–100, а не сотни или тысячи вызовов нейросети. При этом достигается сопоставимое качество результата, что существенно ускоряет процесс», — говорится в сообщении.

Алгоритм разработан аспирантом МФТИ Андреем Станкевичем и заведующим кафедрой информатики и вычислительной математики МФТИ Игорем Петровым. В основе метода лежит так называемый «мост Шредингера» — математическая задача, сформулированная в 1930-х годах основоположником квантовой механики Эрвином Шредингером. Она описывает эволюцию системы частиц под воздействием случайных процессов во времени.

Сегодня этот подход активно используется при создании диффузионных систем искусственного интеллекта, применяемых для генерации изображений и анализа данных. В новой работе он позволил преобразовывать сейсмические данные в специальные «подсказки» для нейросети, что позволяет ей уточнять карты подземных структур не случайным образом, а с опорой на реальные данные.

«Представьте себе, что вы видите подземные структуры сквозь запотевшее окно и шаг за шагом постепенно стираете этот туман, открывая ясную картину того, что скрыто под землей. Так работает и наша система: на входе мы имеем размытую модель и сырую запись сейсмических волн. С помощью нейронной сети система шаг за шагом “уточняет” карту и добавляет в нее детали. На выходе получается детальная карта скоростей, которая соответствует реалистичной геологической структуре из обучающей выборки», — отметил Андрей Станкевич.