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

Sotto la superficie terrestre giace una complessa storia di strati rocciosi, faglie e risorse nascoste, ma ascoltare quella storia è spesso come cercare di udire un sussurro in un uragano. I geofisici utilizzano le onde sonore per mappare queste strutture sotterranee, inviando vibrazioni verso il basso e registrando come esse rimbalzano indietro. Tuttavia, il viaggio di queste onde è raramente pulito. Mentre viaggiano, vengono colpite da un mix caotico di interferenze: il rombo del traffico distante, la vibrazione del vento, i picchi erratici delle apparecchiature elettriche e l'energia naturale e rotolante del terreno stesso. Questo rumore di fondo annega i segnali deboli e preziosi che rivelano la vera forma del sottosuolo. Per decenni, gli scienziati hanno cercato di filtrare questo rumore utilizzando regole matematiche progettate per tipi specifici di interferenza, ma la Terra è troppo varia perché una singola regola possa funzionare ovunque. Quando il rumore cambia, i vecchi filtri spesso falliscono, talvolta eliminando proprio i segnali che avrebbero dovuto proteggere.

Un team di ricercatori della Jilin University e della Northeast Electric Power University ha proposto un modo diverso per risolvere questo problema, allontanandosi dalla costruzione di un nuovo strumento per ogni specifico tipo di rumore e orientandosi verso la creazione di un sistema unico e altamente adattabile. Hanno sviluppato un nuovo approccio chiamato "foundation model" (modello di base), un concetto preso in prestito dal modo in cui i computer imparano a comprendere il linguaggio o a riconoscere le immagini. Invece di insegnare a un computer a riconoscere solo un tipo di rumore, hanno insegnato al sistema il linguaggio fondamentale dei segnali sismici puliti. Esponendo il sistema a enormi quantità di dati puliti, il modello ha appreso i modelli intrinseci di come si comportano naturalmente le onde sismiche. Una volta compresa la "voce" della Terra, i ricercatori hanno dimostrato che il modello poteva imparare rapidamente a ignorare tipi specifici di rumore con pochissime istruzioni aggiuntive. Il loro lavoro, incentrato su un sistema che hanno chiamato SeisDeFM, dimostra che questo metodo può eliminare il rumore erratico, esterno e casuale preservando al contempo i delicati riflessi profondi che i metodi tradizionali spesso danneggiano.

Il cuore di questo nuovo metodo risiede in un processo di apprendimento in due fasi che rispecchia il modo in cui un essere umano potrebbe apprendere una competenza. In primo luogo, il sistema attraversa una massiccia fase di pre-addestramento. Immaginate uno studente che trascorre anni a leggere ogni libro in una biblioteca per comprendere la struttura del linguaggio, il flusso delle frasi e la logica delle storie, senza mai essere chiamato a scrivere un saggio specifico. In questa fase, il modello SeisDeFM ha studiato migliaia di registrazioni sismiche pulite, imparando a riconoscere i modelli continui e coerenti dei reali eventi geologici. Ha imparato a distinguere il flusso fluido e logico di una riflessione dalla natura caotica e frammentata del rumore. Questa fase è stata auto-supervisionata, il che significa che il modello ha insegnato se stesso cercando di ricostruire dati incompleti, costringendolo a comprendere le profonde connessioni tra le diverse parti di un record sismico.

Una volta che il modello aveva padroneggiato il linguaggio generale delle onde sismiche, è passato alla seconda fase: l'adattamento. È qui che il sistema impara a gestire problemi specifici. In passato, se un geofisico voleva rimuovere un tipo specifico di rumore, come le onde rotolanti provenienti dalla superficie, doveva addestrare un nuovo modello da zero utilizzando migliaia di esempi di quel rumore esatto. Questo era un processo lento e richiedeva enormi quantità di dati etichettati. Con SeisDeFM, i ricercatori hanno avuto bisogno solo di una frazione minima di quei dati. Hanno preso il modello pre-addestrato e gli hanno mostrato solo pochi migliaia di esempi di dati rumorosi accoppiati con la versione pulita. Poiché il modello comprendeva già la struttura sottostante dei segnali, poteva apprendere rapidamente a identificare e sottrarre il nuovo rumore. Nei loro test, il modello ha ottenuto risultati superiori utilizzando solo un decimo dei dati etichettati richiesti dai metodi tradizionali, dimostrando che una profonda comprensione del segnale permette un apprendimento del rumore molto più rapido ed efficiente.

I ricercatori hanno testato questo sistema contro quattro tipi distinti e difficili di rumore presenti in dati reali sul campo. Il primo era il rumore erratico, che appare come improvvisi picchi ad alta ampiezza causati da cose come glitch di registrazione o vento. I metodi tradizionali spesso faticano in questi casi, lasciando i picchi oppure rimuovendo accidentalmente i segnali deboli che si trovano nelle vicinanze. Il nuovo modello, tuttavia, ha rimosso con successo questi picchi mantenendo intatti i deboli riflessi profondi. Il secondo test ha riguardato il rumore esterno derivante dall'attività umana, come il movimento dei veicoli, che può sfocare i dati. Anche in questo caso, il modello di base ha pulito i dati più accuratamente rispetto ai metodi precedenti, preservando la continuità degli strati geologici. La terza sfida sono state le onde superficiali, un rumore potente a bassa frequenza che spesso maschera le primissime riflessioni dal suolo. Il modello ha soppresso queste onde completamente senza sfocare i dettagli nitidi della roccia sottostante. Infine, lo hanno testato contro il rumore casuale, l'interferenza simile al fruscio statico che copre un ampio intervallo di frequenze. Il modello ha rimosso questo rumore mantenendo l'integrità spettrale del segnale, garantendo che il contenuto in frequenza della risposta della Terra rimanesse accurato.

Un risultato chiave dello studio è che il successo del modello dipende dalla combinazione di due diversi modi di osservare i dati. I ricercatori hanno costruito il sistema con un'architettura duale: una parte che osserva da vicino i piccoli dettagli locali, e un'altra che fa un passo indietro per vedere il quadro generale dell'intero record. La parte locale è eccellente nel catturare la forma specifica di un picco di rumore, mentre la parte globale comprende come un evento sismico si estenda nel tempo e nello spazio. Unendo queste prospettive, il modello evita l'errore comune di confondere un segnale debole e continuo con il rumore. Lo studio ha anche dimostrato che, sebbene il modello richieda una significativa potenza di calcolo per apprendere inizialmente il linguaggio generale delle onde sismiche, il processo effettivo di applicazione a un nuovo compito è incredibilmente veloce ed efficiente. Non ha bisogno di essere riaddestrato da zero per ogni nuova località o tipo di rumore; semplicemente adatta la sua conoscenza esistente.

I risultati suggeriscono un cambiamento nel modo in cui i dati sismici potrebbero essere elaborati in futuro. Invece di costruire un nuovo strumento specializzato per ogni nuovo problema di rumore, l'industria potrebbe fare affidamento su un singolo, robusto modello di base che ha appreso la fisica fondamentale della Terra. Questo approccio non solo risparmia tempo e risorse computazionali, ma migliora anche la qualità dell'immagine finale riducendo il rischio di cancellare accidentalmente dati preziosi. I ricercatori hanno dimostrato che, insegnando a una macchina a comprendere la "verità" di un segnale pulito, essa diventa molto più brava a riconoscere e rimuovere le "menzogne" del rumore. Questo metodo offre una strada promettente per gestire i volumi massicci di dati raccolti nella moderna esplorazione, trasformando una registrazione caotica e rumorosa in una mappa chiara e ad alta fedeltà del sottosuolo.