A Review of Deep-learning-based Seismic Data Denoising and Its Promising Paradigm Shift to Foundation Models

पृथ्वी की सतह के नीचे चट्टानों की परतों, भ्रंशों (faults) और छिपे हुए संसाधनों का एक जटिल इतिहास है, लेकिन उस इतिहास को सुनना अक्सर तूफान में एक फुसफुसाहट सुनने की कोशिश करने जैसा होता है। भूभौतिकविज्ञानी (geophysicists) इन भूमिगत संरचनाओं का मानचित्रण करने के लिए ध्वनि तरंगों का उपयोग करते हैं, जो कंपन को नीचे भेजते हैं और यह रिकॉर्ड करते हैं कि वे वापस कैसे उछलते हैं। हालाँकि, इन तरंगों की यात्रा शायद ही कभी स्वच्छ होती है। जैसे-जैसे वे यात्रा करती हैं, वे हस्तक्षेप के एक अराजक मिश्रण से टकराती हैं: दूर के यातायात की गड़गड़ाहट, हवा का कंपन, विद्युत उपकरणों के अनियमित स्पाइक्स, और स्वयं जमीन की प्राकृतिक, लुढ़कने वाली ऊर्जा। यह पृष्ठभूमि का शोर उन धुंधले, मूल्यवान संकेतों को दबा देता है जो उपसतह के वास्तविक आकार को प्रकट करते हैं। दशकों से, वैज्ञानिकों ने इस शोर को फ़िल्टर करने के लिए गणितीय नियमों का उपयोग करने की कोशिश की है जो विशिष्ट प्रकार के हस्तक्षेप के लिए डिज़ाइन किए गए हैं, लेकिन पृथ्वी इतनी विविध है कि एक अकेला नियम हर जगह काम नहीं कर सकता। जब शोर बदलता है, तो पुराने फिल्टर अक्सर विफल हो जाते हैं, और कभी-कभी उन संकेतों को भी हटा देते हैं जिन्हें उन्हें सुरक्षित रखना था।

जिलिन यूनिवर्सिटी और नॉर्थईस्ट इलेक्ट्रिक पावर यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक अलग तरीका प्रस्तावित किया है, जो हर विशिष्ट शोर प्रकार के लिए एक नया उपकरण बनाने के बजाय एक एकल, अत्यधिक अनुकूलनीय प्रणाली बनाने की ओर बढ़ता है। उन्होंने एक नया दृष्टिकोण विकसित किया जिसे "फाउंडेशन मॉडल" कहा जाता है, जो इस अवधारणा से लिया गया है कि कंप्यूटर भाषा को समझने या छवियों को पहचानने के लिए कैसे सीखते हैं। कंप्यूटर को केवल एक प्रकार के शोर को पहचानना सिखाने के बजाय, उन्होंने उसे स्वच्छ भूकंपीय संकेतों (seismic signals) की मौलिक भाषा सिखाई। इस प्रणाली को पहले भारी मात्रा में स्वच्छ डेटा के संपर्क में लाकर, मॉडल ने भूकंपीय तरंगों के स्वाभाविक व्यवहार के अंतर्निहित पैटर्न को सीखा। एक बार जब इसने पृथ्वी की "आवाज़" को समझ लिया, तो शोधकर्ताओं ने दिखाया कि यह बहुत कम अतिरिक्त निर्देश के साथ विशिष्ट प्रकार के शोर को अनदेखा करना सीख सकती है। उनका कार्य, जिसका केंद्र 'SeisDeFM' नामक एक प्रणाली है, यह प्रदर्शित करता है कि यह विधि अनियमित, बाहरी और यादृच्छिक शोर को हटाते हुए उन नाजुक, गहरे प्रतिबिंबों (reflections) को संरक्षित कर सकती है जिन्हें पारंपरिक विधियाँ अक्सर नुकसान पहुँचाती हैं।

इस नई पद्धति का मूल एक दो-चरणीय शिक्षण प्रक्रिया में निहित है जो इस बात को दर्शाता है कि कैसे एक मानव किसी कौशल को सीख सकता है। सबसे पहले, प्रणाली एक विशाल प्री-ट्रेनिंग चरण से गुजरती है। कल्पना कीजिए कि एक छात्र भाषा की संरचना, वाक्यों के प्रवाह और कहानियों के तर्क को समझने के लिए पुस्तकालय की हर किताब को पढ़ने में वर्षों बिताता है, बिना कभी कोई विशिष्ट निबंध लिखने के लिए कहे। इस चरण में, Seis deFM मॉडल ने हजारों स्वच्छ भूकंपीय रिकॉर्ड का अध्ययन किया, जिससे उसने वास्तविक भूगर्भीय घटनाओं के निरंतर, सुसंगत पैटर्न को पहचानना सीखा। इसने एक प्रतिबिंब के सुचारू, तार्किक प्रवाह और शोर की अराजक, टूटी हुई प्रकृति के बीच अंतर करना सीखा। यह चरण स्व-पर्यवेक्षित (self-supervised) था, जिसका अर्थ है कि मॉडल ने अधूरे डेटा को पुनर्गठित करने का प्रयास करके खुद को सिखाया, जिससे उसे भूकंपीय रिकॉर्ड के विभिन्न हिस्सों के बीच गहरे संबंधों को समझने के लिए मजबूर होना पड़ा।

एक बार जब मॉडल ने भूकंपीय तरंगों की सामान्य भाषा में महारत हासिल कर ली, तो वह दूसरे चरण पर पहुँचा: अनुकूलन (adaptation)। यहीं पर प्रणाली विशिष्ट समस्याओं को संभालना सीखती है। अतीत में, यदि कोई भूभौतिकविज्ञानी किसी विशिष्ट प्रकार के शोर को हटाना चाहता था, जैसे कि सतह से आने वाली लहरें, तो उन्हें हजारों उदाहरणों का उपयोग करके शुरू से एक नया मॉडल प्रशिक्षित करना पड़ता था। यह धीमा था और इसके लिए लेबल किए गए डेटा की विशाल मात्रा की आवश्यकता थी। SeisDeFM के साथ, शोधकर्ताओं को केवल उस डेटा के एक छोटे से अंश की आवश्यकता थी। उन्होंने पूर्व-प्रशिक्षित मॉडल को लिया और उसे शोर वाले डेटा के कुछ हजार उदाहरणों और उनके स्वच्छ संस्करणों के जोड़े दिखाए। क्योंकि मॉडल पहले से ही संकेतों की अंतर्निहित संरचना को समझता था, इसलिए वह तेजी से नए शोर को पहचानने और घटाने में सक्षम था। अपने परीक्षणों में, मॉडल ने पारंपरिक तरीकों की तुलना में आवश्यक लेबल किए गए डेटा के केवल दसवें हिस्से का उपयोग करके बेहतर परिणाम प्राप्त किए, जिससे सिद्ध हुआ कि सिग्नल की गहरी समझ शोर को सीखने की प्रक्रिया को बहुत तेज़ और अधिक कुशल बनाती है।

शोधकर्ताओं ने वास्तविक दुनिया के फील्ड डेटा में पाए जाने वाले चार अलग-अलग और कठिन प्रकार के शोर के विरुद्ध इस प्रणाली का परीक्षण किया। पहला था अनियमित शोर (erratic noise), जो रिकॉर्डिंग की गड़बड़ियों या हवा के कारण अचानक, उच्च-आयाम वाले स्पाइक्स के रूप में दिखाई देता है। पारंपरिक तरीके यहाँ अक्सर संघर्ष करते हैं, या तो स्पाइक्स को पीछे छोड़ देते हैं या अनजाने में उन कमजोर संकेतों को हटा देते हैं जो उनके पास होते हैं। नए मॉडल ने इन स्पाइक्स को सफलतापूर्वक हटाया जबकि धुंधले, गहरे प्रतिबिंबों को बरकरार रखा। दूसरा परीक्षण मानवीय गतिविधियों से उत्पन्न बाहरी शोर (external noise) से संबंधित था, जैसे वाहनों की आवाजाही, जो डेटा को धुंधला कर सकती है। फिर से, फाउंडेशन मॉडल ने पिछले तरीकों की तुलना में डेटा को अधिक गहनता से साफ किया, जिससे भूगर्भीय परतों की निरंतरता बनी रही। तीसरा चुनौती सतह की लहरें (surface waves) थीं, जो एक शक्तिशाली, निम्न-आवृत्ति वाला शोर है जो अक्सर जमीन से मिलने वाले पहले प्रतिबिंबों को ढक देता है। मॉडल ने इन लहरों को बिना आधार चट्टान के तीखे विवरणों को धुंधला किए, पूरी तरह से दबा दिया। अंत में, उन्होंने इसे यादृच्छिक शोर (random noise) के विरुद्ध परखा, जो एक विस्तृत रेंज की आवृत्तियों को कवर करने वाला स्टैटिक-जैसे हस्तक्षेप है। मॉडल ने इस शोर को हटाया जबकि सिग्नल की स्पेक्ट्रल अखंडता को बनाए रखा, यह सुनिश्चित करते हुए कि पृथ्वी की प्रतिक्रिया की आवृत्ति सामग्री सटीक बनी रहे।

अध्ययन का एक प्रमुख निष्कर्ष यह है कि मॉडल की सफलता डेटा को देखने के दो अलग-अलग तरीकों को संयोजित करने पर निर्भर करती है। शोधकर्ताओं ने इस प्रणाली को एक दोहरी वास्तुकला (dual architecture) के साथ बनाया: एक हिस्सा जो छोटे, स्थानीय विवरणों को करीब से देखता है, और दूसरा जो पूरे रिकॉर्ड में बड़े परिदृश्य को देखने के लिए पीछे हटता है। स्थानीय हिस्सा शोर के स्पाइक के विशिष्ट आकार को पकड़ने में उत्कृष्ट है, जबकि वैश्विक हिस्सा यह समझता है कि एक भूकंपीय घटना समय और स्थान में कैसे फैलती है। इन दृष्टिकोणों को मिलाने से, मॉडल एक कमजोर, निरंतर सिग्नल को शोर समझने की सामान्य गलती से बच जाता है। अध्ययन ने यह भी दिखाया कि जबकि मॉडल को भूकंपीय तरंगों की सामान्य भाषा सीखने के लिए पर्याप्त कंप्यूटिंग शक्ति की आवश्यकता होती है, वास्तव में इसे एक नए कार्य पर लागू करने की प्रक्रिया अविश्वसनीय रूप से तेज़ और कुशल है। इसे हर नई जगह या शोर के प्रकार के लिए शुरू से प्रशिक्षित करने की आवश्यकता नहीं है; यह बस अपने मौजूदा ज्ञान को अनुकूलित करता है।

परिणाम संकेत देते हैं कि भविष्य में भूकंपीय डेटा को कैसे संसाधित किया जा सकता है। प्रत्येक नए शोर की समस्या के लिए एक नया, विशिष्ट उपकरण बनाने के बजाय, उद्योग एक एकल, मजबूत फाउंडेशन मॉडल पर भरोसा कर सकता है जिसने पृथ्वी के मौलिक भौतिकी को सीखा है। यह दृष्टिकोण न केवल समय और गणना संसाधनों की बचत करता है, बल्कि मूल्यवान डेटा को गलती से हटाने के जोखिम को कम करके अंतिम छवि की गुणवत्ता में भी सुधार करता है। शोधकर्ताओं ने प्रदर्शित किया है कि मशीन को पहले एक स्वच्छ सिग्नल की "सच्चाई" समझने के लिए सिखाकर, वह शोर के "झूठ" को पहचानने और हटाने में कहीं अधिक बेहतर हो जाती है। यह विधि आधुनिक अन्वेषण में एकत्र किए गए डेटा के विशाल वॉल्यूम को संभालने के लिए एक आशाजनक मार्ग प्रदान करती है, जो एक अराजक, शोर भरे रिकॉर्ड को उपसतह के स्पष्ट, उच्च-सटीकता वाले मानचित्र में बदल देती है।