Новый метод машинного обучения делает переворот в исследовании микрокаменелостей

Фото из открытых источников

Мало кто слышал о палиноморфах, «микроокаменелостях», которые распространены практически повсюду. Это микроскопические окаменелости, которые появляются в осадочных породах по всему миру и имеют неоценимое значение для геологов и палеонтологов, исследующих эволюционную историю планеты. Однако их крошечный размер и огромное количество могут стать проблемой для работы, поэтому исследователи создали новую технику машинного обучения, чтобы сделать эту трудную задачу более выполнимой. Статья опубликована в журнале Artificial Intelligence in Geosciences.

Палиноморфы действительно маленькие; их размер может варьироваться от 5 до 500 микрометров. Если принять во внимание, что диаметр человеческого волоса составляет от 17 до 181 микрометра, то вы поймете, насколько маленькими они могут быть. Даже зерна пыльцы обычно крупнее, чем у самых маленьких палиноморф.

Эти крошечные фрагменты состоят из соединений, которые чрезвычайно устойчивы к большинству форм распада, поскольку они часто состоят из спорополленина, диноспорина или подобных соединений. Они образовались в любой момент между парой миллионов лет назад и более 500 миллионов лет назад. Таким образом, они представляют ценность для исследователей, желающих определить возраст слоя горных пород или реконструировать давно утраченную среду — например, сформировался ли слой под водой или был наземным образованием. 

Анализ этих изменений многое говорит нам о том, как изменилась Земля, а также может дать представление о прошлых климатических условиях и геологических событиях.

Раньше ученые тратили утомительные часы на ручную классификацию этих микроископаемых, глядя в микроскопы, где они могли видеть миллиарды образцов на нескольких слайдах. Это кропотливый и утомительный процесс, но новые достижения в области методов с использованием ИИ могут значительно облегчить его.

Исследователи из Университета Тромсё (Норвегия) представили двухэтапную систему, управляемую искусственным интеллектом, которая обнаруживает и классифицирует микроокаменелости по изображениям микроскопа.

«Мы предлагаем автоматический конвейер для извлечения и классификации микроокаменелостей по необработанным микроскопическим изображениям. Метод быстрый и эффективный и не требует интенсивных вычислительных мощностей», — написали ученые. «Мы показываем, что наш подход улучшает современное состояние добычи ископаемых. Идентификация отдельных видов с помощью машинного обучения является новой и многообещающей».

Команда достигла этого поэтапно. Во-первых, они использовали предварительно обученную модель обнаружения объектов - YOLOv5 - для изучения, идентификации и извлечения отдельных палиноморфов из изображений слайдов. Этот процесс создает ограничивающие рамки, которые появляются вокруг каждого микроископаемого, экономя десятки часов работы.

Затем, на втором этапе, команда использовала систему самообучения (SSL), которая является относительно новой парадигмой обучения, которая становится все более популярной. Методику можно по сути обучить извлекать определенные признаки из обрабатываемых ею образцов. Она опирается на самообучение моделей для генерации неявных меток из неструктурированных данных.

В рамках этого исследования команда сравнила две платформы SSL — SimCLR и DINO, обе из которых оказались бесценными средствами ускорения процесса классификации.

«Эта работа показывает, что в использовании ИИ в этой области есть большой потенциал», — сказал соавтор исследования Ивер Мартинсен. «Используя ИИ для автоматического обнаружения и распознавания окаменелостей, геологи могут получить инструмент, который поможет им лучше использовать огромный объем информации, которую предоставляют образцы из скважин».

Команда использовала ИИ для обнаружения палиноморфов, используя данные, полученные Норвежским морским управлением и полученные с норвежского континентального шельфа. Чтобы проверить ее точность, команда затем протестировала модель, классифицировав несколько сотен ранее помеченных окаменелостей из одной и той же скважины.

«Мы очень довольны нашими результатами. Наша модель превосходит предыдущие доступные эталоны. Мы надеемся, что настоящая работа будет полезна геологам как в промышленности, так и в академических кругах», — добавляет Мартинсен.