GIAT: Transformer mit geologischer Orientierung erreicht 95,4 % Genauigkeit

Ein neues Modell namens Geologically‑Informed Attention Transformer (GIAT) setzt neue Maßstäbe bei der Identifikation von Lithologien aus Bohrloch‑Logs. Durch die Kombination von datengetriebenen geologischen Vorwissen mit dem Attention‑Mechanismus eines Transformers liefert GIAT eine Genauigkeit von bis zu 95,4 % – ein deutlicher Vorsprung gegenüber bisherigen Ansätzen.

Der Schlüssel zum Erfolg liegt in einer innovativen Attention‑Bias‑Methode. GIAT nutzt Category‑Wise Sequence Correlation (CSC) Filter, um eine geologisch fundierte Beziehungs‑Matrix zu erzeugen. Diese Matrix wird in die Selbst‑Attention‑Berechnung eingebettet und lenkt das Modell gezielt auf geologisch konsistente Muster.

Auf zwei anspruchsvollen Datensätzen hat GIAT nicht nur die höchste Genauigkeit erzielt, sondern auch eine bemerkenswerte Interpretations‑Verlässlichkeit gezeigt. Das Modell bleibt unter Eingabe‑Störungen stabil und liefert Vorhersagen, die mit geologischen Erwartungen übereinstimmen.

Diese Arbeit eröffnet einen neuen Ansatz für die Entwicklung von Deep‑Learning‑Modellen in der Geowissenschaft: Modelle, die nicht nur präziser, sondern auch vertrauenswürdiger und nachvollziehbarer sind.