| Название базовой системы (платформы): | Искусственный интеллект (ИИ, Artificial intelligence, AI) |
| Разработчики: | Московский физико-технический институт (МФТИ) |
| Дата премьеры системы: | 2025/09/16 |
| Отрасли: | Добыча полезных ископаемых, Образование и наука, Строительство и промышленность строительных материалов |
2025: Представление алгоритма преобразования сейсмоволн в детализированную карту подземных структур
Алгоритм, разработанный учёными МФТИ, всего за десятки математических операций (вместо тысяч) преобразует сейсмоволны в детализированную карту подземных структур. Система поможет быстрее искать полезные ископаемые, составлять карты для изучения Земли и оценивать сейсмические риски при строительстве. Результаты исследования представлены в архиве препринтов научных статей arxiv.org, а оригинальный код доступен для ученых всего мира на платформе GitHub. Об этом университет сообщил 16 сентября 2025 года.
Чтобы заглянуть в недра Земли, учёные используют принципы, схожие с эхолокацией — посылают упругие колебания вглубь на десятки километров. По характеру того, как колебания отражаются от разных пород, строят карту расположения основных структур в исследуемых средах.
Для этой задачи используются диффузионные модели: чтобы восстанавливать чёткую картину недр Земли они требуют сотен или тысяч вызовов нейросети.
Данный метод cI2SB (conditional Image-to-Image Schrödinger Bridge) ускоряет процесс в разы.
В его основе лежит уравнение диффузии, решающее известную задачу о "Мосте Шрёдингера", которое учёные адаптировали для работы с картами скоростей.
В отличие от диффузионных моделей, система не восстанавливает карты скоростей со случайного шума, а строит "мост" между двумя конкретными точками: приблизительной (размытой) моделью скоростей и искомой — детализированной эталонной моделью.Тренды и прогнозы в 1С 2026: от автоматизации к интеллектуальным системам 
Это сокращает необходимое количество вычислений в разы — до 50-100 вызовов при сопоставимом качестве, что существенно ускоряет процесс.
 | Это как если бы вы видели подземные структуры сквозь запотевшее окно, но шаг за шагом постепенно стирали этот туман, открывая ясную картину того, что скрыто под землёй. Так и наша система: на входе мы имеем размытую модель и сырую запись сейсмических волн. С помощью нейронной сети на архитектуре U-Net, которую мы обучили в рамках cI2SB-подхода, система шаг за шагом "уточняет" карту и добавляет в неё детали. На выходе получается детальная карта скоростей, которая соответствует реалистичной геологической структуре из обучающей выборки, — рассказал Андрей Станкевич, аспирант, ассистент кафедры информатики и вычислительной математики МФТИ. |  |
Метод уже протестирован на больших наборах синтетических данных (OpenFWI - Vel, Fault, Style). В результате cI2SB восстанавливает карты скоростей точнее, чем предыдущие диффузионные модели, делает это в 10–20 раз быстрее и при этом сохраняет тонкие геологические особенности.
Но есть и ограничения. Если реальные входные данные будут сильно отличаться от тех, на которых обучалась модель (другое оборудование, геологические условия, бассейны и др.), качество модели может пострадать.
Сделать метод более устойчивым и приблизить его к обработке реальных сейсмических данных – следующая задача учёных. Также в будущем алгоритм можно адаптировать для обработки природных землетрясений. Для этого нужно учесть дополнительные типы колебаний, а также и неконтролируемые источники волн.
