十几年前，9.1 级地震和海啸袭击了印度尼西亚（Indonesia）沿海地区，来自十几个国家的二十多万人因此丧生。如今，地质学家仍在努力了解贯穿地壳的复杂断层系统。

虽然主要断层很容易被地质学家发现，但这些较大的地质特征与岩石中其他较小的断层和裂缝有关，识别这些较小的断层是一项艰苦的工作，需要研究人员花费数周时间来研究 3D 图像中的单个切片。

德州大学奥斯丁分校（University of Texas at Austin）的研究人员正在使用深度学习模型来完善这一过程，该模型可从 3D 地震图像中识别出地质断层系统，从而节省了科学家的时间和资源。开发人员使用 NVIDIA GPU 和综合数据来训练神经网络，以发现常被遗漏的细微错误。

检查断层系统可以帮助科学家确定哪些地震特征更久远，并使其可以研究自己感兴趣的区域，例如大陆板块与海洋相交的大陆边缘。

能源部门也使用地震分析来规划钻探和钻井活动，以开采石油和天然气。

“有时你想钻探裂缝，有时你想远离裂缝，” 德州大学奥斯丁分校地质学教授 Sergey Fomel 说。“但是无论哪种情况，你都需要知道这些裂缝在哪里。”

追踪地球上地壳中的裂缝

地震断层系统十分复杂，以至于研究人员在人工分析现实数据时，会错过一些与主要断层有关的较细裂缝。结果，在带有人类注释的数据集上训练的深度学习模型也将错过这些较细裂缝。

为了突破这个限制，研究人员创建了地震断层的综合数据。使用综合数据意味着科学家已经知道了数据集中每个主要和次要断层的位置。这个真实的基准使他们能够训练一个准确性更高的 AI 模型。


Fomel 团队使用此类 3D 地震体来绘制地震断层图。（图片由 Xinming Wu 提供，摘自 “ FaultSeg3D：使用综合数据集训练端到端卷积神经网络以进行 3D 地震断层分割。”）

他说：“地质学家仍然需要通过分析 AI 模型的结果来帮助人们解释整个地质时期发生的事情，但我们希望他们可以省下人工分析小断层的精力，避免浪费宝贵的时间。”

Fomel 表示，人工分析断层系统可能需要多达一个月的时间，而使用 NVIDIA GPU 进行推理，仅需几秒钟即可处理团队基于 CNN 的模型。

Fomel 说：“深度学习不仅更加精确，而且在效率上也更胜一筹。”

研究人员在由 NVIDIA GPU 支持的德克萨斯高级计算中心的 Maverick2 系统上训练了他们的神经网络，他们通过 PyTorch 和 TensorFlow 深度学习框架以及用于地球物理数据分析的 Madagascar 软件包构建其深度学习模型。

除断层外，这些算法还可以供地质学家检测包括盐体、沉积层和河道等其他特征。研究人员还设计了神经网络，以根据地震数据计算相对地质时间，这一措施可为科学家提供有关地质结构的详细信息。