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

地球の表面下には、岩層、断層、そして隠された資源という複雑な歴史が横たわっていますが、その歴史に耳を傾けることは、しばしばハリケーンの中でささやき声を聞こうとするようなものです。地球物理学者は音波を使用して地下構造のマッピングを行っており、振動を下へと送り込み、それがどのように跳ね返ってくるかを記録しています。しかし、これらの波の旅路がきれいであることは滅多にありません。波が伝播する際、それらは干渉という混沌とした混合物によって打ちのめされます。すなわち、遠くの交通による騒音、風の振動、電気機器による不規則なスパイク、そして地面自体の自然でうねるようなエネルギーです。この背景ノイズは、地下の真の姿を明らかにする微弱で価値のある信号をかき消してしまいます。何十年もの間、科学者たちは特定の種類の干渉に合わせて設計された数学的な規則を用いて、このノイズを取り除こうと試みてきましたが、地球があまりにも多様であるため、単一の規則がどこでも通用することはありませんでした。ノイズが変化すると、古いフィルターはしばしば失敗し、守るべき信号そのものを削り取ってしまうこともあります。

吉林大学と東北電力大学の研究チームは、あらゆる特定のノイズに対して新しいツールを構築するのではなく、単一の、極めて適応性の高いシステムを作るという、この問題に対する異なる解決策を提案しました。彼らは、コンピュータが言語を理解したり画像を認識したりする方法から借用した概念である「基盤モデル（foundation model）」と呼ばれる新しいアプローチを開発しました。コンピュータに一つの種類のノイズだけを認識させるのではなく、彼らは「クリーンな地震波信号の根本的な言語」を教え込んだのです。このシステムに膨大な量のクリーンなデータを事前に学習させることで、モデルは地震波が自然にどのように振る舞うかという固有のパターンを学習しました。一度、モデルが地球の「声」を理解すると、研究者たちは、それが非常に少ない追加の指示だけで、特定の種類のノイズを無視することを迅速に学習できることを示しました。彼らの研究の中心である「SeisDeFM」と名付けられたシステムは、この手法が、従来のメソッドが損傷させてしまいがちな繊細で深い反射を保持しながら、不規則で外部的な、あるいはランダムなノイズを取り除くことができることを実証しています。

この新しい手法の核心は、人間がスキルを習得する方法を模倣した、二段階の学習プロセスにあります。まず、システムは大規模な「事前学習」フェーズを経ます。これは、学生が特定の作文を書かされることなく、言語の構造、文章の流れ、物語の論理を理解するために、図書館にあるあらゆる本を何年もかけて読み耽る様子を想像してください。この段階で、SeisDeFMモデルは数千のクリーンな地震記録を研究し、実際の地質学的事象の連続的で一貫したパターンを認識することを学びました。モデルは、反射の滑らかで論理的な流れと、ノイズの混沌とした断片的な性質を区別することを学んだのです。このフェーズは自己教師あり学習であり、これはモデルが不完全なデータを再構成しようとすることで、自らを教え込み、地震記録の異なる部分間の深い繋がりを理解することを強制するという意味です。

モデルが地震波の一般的な言語をマスターすると、第二段階である「適応（adaptation）」へと進みます。ここが、システムが特定の課題に対処する方法を学ぶ場です。かつて、地球物理学者が地表からのうねるような波といった特定の種類のノイズを除去したい場合、その特定のノイズの数千の例を用いてゼロから新しいモデルを訓練しなければなりませんでした。これは時間がかかり、膨大なラベル付きデータを必要としました。SeisDeFMを用いれば、研究者はごくわずかなデータだけで済みます。彼らは事前学習済みのモデルを取り出し、ノイズを含むデータとクリーンなバージョンのペアをわずか数千例見せました。モデルはすでに信号の基礎となる構造を理解していたため、新しいノザを特定し、差し引くことを迅速に学習することができました。テストにおいて、このモデルは従来のメソッドが必要としたラベル付きデータのわずか10分の1のデータのみを使用して優れた結果を達成し、信号に対する深い理解が、より速く効率的なノイズ学習を可能にすることを証明しました。

研究者たちは、実際のフィールドデータに見られる4つの明確かつ困難なタイプのノイズに対して、このシステムをテストしました。第一のノイズは、記録の不具合や風などによって引き起こされる、突発的で高振幅のスパイクとして現れる「不規則なノイズ」です。従来の方法では、ここで苦戦することが多く、スパイクを残してしまうか、あるいはその近くにある微弱な信号まで誤って除去してしまいます。しかし、新しいモデルは、これらのスパイクを排除しながら、微弱で深い反射をしっかりと保持することに成功しました。第二のテストは、車両の移動などの人間活動による「外部ノイズ」であり、これはデータを塗りつぶす可能性があります。ここでも、基盤モデルは以前の手法よりも徹底的にデータを洗浄し、地質層の連続性を保持しました。第三の課題は、地表からの強力な低周波ノイズである「表面波」であり、これは地面からの最初の反射を覆い隠してしまうことがよくあります。モデルは、基礎となる岩石の詳細をぼかすことなく、これらの波を完全に抑制しました。最後に、彼らは広範な周波数にわたる干渉である「ランダムノイズ（静電気のようなノイズ）」に対してテストを行いました。モデルは、地球の応答の周波数成分が正確であることを保証するスペクトル整合性を維持しながら、このノイズを取り除きました。

本研究の重要な発見は、モデルの成功が、データの異なる2つの見方を組み合わせることに依存しているという点です。研究者たちは、局所的な詳細を密接に捉える部分と、記録全体にわたって大きな絵を見る部分という、二重のアーキテクチャを備えたシステムを構築しました。局所的な部分は、ノイズスパイクの特定の形状を捉えることに優れており、一方でグローバルな部分は、地震イベントが時間と空間にわたってどのように広がっているかを理解します。これら両方の視点を融合させることで、モデルは弱い連続信号をノイズと混同するという一般的なミスを回避します。また、この研究は、モデルが地震波の一般的な言語を学習するために初期段階で多大な計算能力を必要とする一方で、新しい仕事に適用する実際のプロセスは極めて高速で効率的であることを示しました。新しい場所やノイズの種類ごとにゼロから再学習する必要はなく、既存の知識を適応させるだけでよいのです。

これらの結果は、将来の地震データ処理におけるパラダイムシフトを示唆しています。新しいノイズ問題に対してその都度専用のツールを作るのではなく、地球の根本的な物理学を学習した、単一の堅牢な基盤モデルに頼ることができるようになるでしょう。このアプローチは、時間の節約と計算リソースの節約を実現するだけでなく、貴重なデータを誤って削除してしまうリスクを軽減することで、最終的な画像の品質を向上させます。研究者たちは、機械に「クリーンな信号の真実」を最初に教えることで、機械は「ノイズという嘘」を識別し、取り除くことがはるかに上手くなることを実証しました。この手法は、現代の探査で収集される膨大な量のデータを扱うための有望な道筋を提供しており、混沌としたノイズだらけの記録を、鮮明で高忠実度な地下マップへと変えていくものです。