印尼沿海發生芮氏規模 9.1 級的地震和海嘯，造成十餘國二十多萬人死亡的十五年後，地質學家如今仍在努力研究貫穿地殼的複雜斷層系統。
地質學家很容易就能發現主斷層，這些主斷層的顯著特徵倒是跟其它較小斷層及岩石裂縫有著密不可分的關係。找出這些較小斷層並非易事，要花上數週的時間來研究 3D 影像的每一個切片。
德州大學奧斯汀分校的研究團隊使用深度學習模型來簡化這個過程，這個模型可以從 3D 地震影像中瞧出地質斷層系統，讓科學家省下不少時間和資源。開發團隊使用 NVIDIA GPU 及合成資料來訓練神經網路，以找出解讀人員常會遺漏的細微斷層。
科學家們研究斷層系統，就能判斷哪些地震特徵比其它特徵更古老，還能研究感興趣的領域，像是大陸板塊與海洋板塊交會處的大陸邊緣地帶。
也能將地震分析結果用於規畫能源領域的鑽探及鑽井活動，以開採石油和天然氣，還有進行反向碳封存過程，即將二氧化碳注入地下以減輕氣候變遷的影響。
「深度學習不僅更精確，在準確度與效率上的水準也截然不同。」– Sergey Fomel
德州大學奧斯汀分校的地質科學系教授 Sergey Fomel 說：「有時候你想鑽探裂縫，有時候又想遠離裂縫。但不管怎麼樣，你都要掌握這些裂縫的位置。」
追蹤上部地殼的裂縫
如此複雜的地震斷層系統，使得研究人員在以人工方式分析實際資料時，會漏掉一些與主斷層相連的細小裂縫。使用人類註釋資料集來訓練的深度學習模型，也會漏掉這些細小裂縫。
為了克服這個限制，研究團隊建立了地震斷層的合成資料，而使用合成資料便代表著科學家已經明白資料集中每個主斷層和小斷層的位置。這個基於事實的基準讓他們能夠訓練出一個人工智慧模型，在準確性方面超過了人工標記的水準。
研究團隊的深度學習模型分析 3D 體積資料，以判斷影像中每個像素存在著斷層的可能性。地質學家接著就能一一查看神經網路已標記極有可能存在著斷層的區域，以便進行分析。
Fomel 的團隊使用這類的 3D 地震體積資料來繪製地震斷層系統（圖片提供：Xinming Wu，取自於《FaultSeg3D: Using synthetic data sets to train an end-to-end convolutional neural network for 3D seismic fault segmentation》一文。）
「地質學家幫助解釋整個地質時期發生的事情。他們還是要分析人工智慧模型的結果來成立說法，我們是想別讓他們浪費時間在手動挑選這些特徵的工作上，地質學家的寶貴時間不應該用在這些事上。」
Fomel 表示以人工方式來分析斷層系統，要花上一個月的時間，而使用該團隊的卷積神經網路人工智慧模型，透過 NVIDIA 的 GPU 來進行推論，只要幾秒鐘就能完成分析。以前的自動化分析方法要花費數小時，準確度還不高。
Fomel說：「深度學習不僅精度更高，在準確度與效率上也處於截然不同的水準上。就自動解讀這方面來說，可謂是劃時代的工具。」
研究團隊使用德州先進運算中心那套搭載 NVIDIA GPU 的 Maverick2 系統來訓練其神經網路，並且使用 PyTorch 和 TensorFlow 深度學習框架，加上用於分析地球物理資料的 Madagascar 套裝軟體，打造出其深度學習模型。
除了斷層，這些演算法還能用在探測地質學家研究的其它特徵上，包括鹽體、沉積層和水道。研究團隊還設計了神經網路，根據地震資料計算相對地質時間，這麼一來科學家就能測量地質結構的詳細資訊。