エネルギーパラドックス：石油ガスにおける地震探査計算負荷削減のための人工知能 ― 技術調査と位置分析

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Computational geophysics and AI researchers can use the survey of surrogate models and the Energy Paradox framing to position future work.

🏢実務担当者:O&G geoscientists and HPC teams can benchmark their AI adoption against the case studies (Petrobras, Aramco, Shearwater-NVIDIA).

🏛政策担当者:The Energy Paradox highlights regulatory gaps in AI-energy governance; policymakers may need to consider cross-sectoral impacts.

— 石油・ガス（O&G）業界は複合的な計算上の課題に直面している：Full Waveform Inversion（FWI）やReverse Time Migration（RTM）などの高度な地震探査技術は、指数関数的に拡大するワークロードを課す——3D FWI実行の最大周波数を2倍にすると計算需要は16倍に増加し、一方で最新のスーパーコンピュータでの単一の高解像度3D FWIジョブは約25,000 GPU時間を必要とする場合がある。本論文は、これらのワークロードを削減するために導入されている主要な人工知能（AI）および機械学習（ML）技術——反復ソルバー用の深層ニューラルネットワーク代理モデル、物理情報ニューラルネットワーク（PINN）、エッジ推論アーキテクチャ、および代替データフローハードウェアパラダイム——を調査する。米国エネルギー省Genesis Mission（2025年11月大統領令）、NETL Science-Informed Machine Learning for Accelerating Real-Time Decisions（SMART/SAMI）イニシアチブ、Petrobras SolverBR、Saudi AramcoのAI支援地震処理、およびShearwater-NVIDIA協業にわたる機関導入の構造的レビューを、定量化された性能結果とともに提示する。技術的レビューに加えて、本論文はEnergy Paradoxを導入し形式化する：O&Gセクターは、グローバルにAIデータセンターを動かす炭化水素エネルギーを供給すると同時に、自社の運用コストを削減するためにAI駆動のハイパフォーマンスコンピューティングを消費する。我々は、この閉ループ関係が、文献で十分に対処されていない戦略的、経済的、および規制的な含意を持つと主張する。地震ワークフローにおけるAI採用を評価するための枠組み——計算効率、エネルギー消費、およびガバナンス整合性を包含する——が、この交差点で活動する実務者、エンジニア、および研究者への貢献として提案される。 索引用語 — Full Waveform Inversion, Reverse Time Migration, Seismic Processing, Deep Learning, Surrogate Models, Physics-Informed Neural Networks, Edge Computing, Oil and Gas, HPC, Energy Paradox, DOE Genesis Mission, NETL SAMI, Computational Geophysics, GPU Efficiency I. 序論 石油・ガスセクターは、国家安全保障と製薬研究を除けば、長年にわたり最も計算集約的な産業の一つである。地震データ取得調査は、キャンペーンごとにペタバイト規模の生測定データを生成し、それらの測定値を実用的な地下画像に変換するために使用される物理ベースのアルゴリズムは、スーパーコンピュータ規模のリソースを要求する。しかし、このインフラへの経済的圧力は2024年から2026年の期間に大幅に intensified している——探査活動の増加によるものではなく、人工知能自体によって駆動される世界のエネルギー需要の構造的シフトによるものである。 大規模言語モデル（LLM）、生成AIシステム、および大規模GPUクラスターの普及は、データセンターの電力消費において前例のない急増を生み出している。AIハードウェア——主に高密度GPUおよびTPUファーム——は、2030年までに世界の電力需要の急速に増加するシェアを占めると予測されている[1]。この電力のかなりの部分は天然ガスから供給されており、直接ガス火力発電を通じて、または主要なO&G事業者によって管理されるLNGサプライチェーンを通じて間接的に供給される。したがってO&Gセクターは、構造的に逆説的な立場にある：グローバル規模でAIを可能にするエネルギーを供給しながら、同時に自社の最も高価なワークフローの計算コストを削減するためにAIを導入しようとしている。 本論文は、この関係をEnergy Paradoxとして形式化し、地震データ処理の最前線で採用されているAI駆動の計算削減技術の技術的調査の中に位置づける。調査は、DNN代理モデル、物理情報ニューラルネットワーク（PINN）、エッジ推論アーキテクチャ、および代替計算ハードウェアという4つの主要なAIパラダイムをカバーし、産業および政府の導入からの定量化された性能結果に特に注意を払う。 本論文の残りの構成は以下のとおりである。セクションIIは計算問題を定量化する。セクションIIIはAI削減技術を調査する。セクションIVは機関導入とケーススタディをレビューする。セクションVはEnergy Paradoxの枠組みを提示する。セクションVIは実装上の考慮事項を議論する。セクションVIIは課題とガバナンスに対処する。セクションVIIIは将来の方向性を概説し、セクションIXで結論を述べる。 II. 計算問題：地震ワークロードの定量化 計算上の課題の規模を理解することは、AI駆動ソリューションの影響を評価するための前提条件である。地震処理は、前処理からマイグレーションおよびインバージョンに至るまで、ますます高コストな一連の操作を包含し、それぞれが異なるスケーリング特性を持つ。 A. Full Waveform Inversion（FWI） FWIは、高解像度の地下速度モデル構築におけるゴールドスタンダードである。モデルボリュームを通じて波動方程式を前方および後方に繰り返し解くことにより、シミュレーションされた波動場と観測された波動場の間のミスフィットを反復的に最小化する[2]。計算コストは3DでO(N^4)としてスケーリングする。ここでNは各次元のグリッド点数であり、これは3つの空間次元と時間に適用されるNyquistサンプリング要件の結果である。 FWIワークロードの特徴的な特性は、周波数含有量に対する感度である。3D FWI実行の最大周波数を2倍にすると、計算需要は16倍に増加する[3]。最先端のスーパーコンピュータでの単一の高解像度3D FWIジョブは、数百のGPUに分散された約25,000 GPU時間を必要とする——これは平均的な米国家庭を15ヶ月間動かすのに相当するエネルギー量である[3]。大規模なGPU導入にもかかわらず、多くの事業者は、メモリ帯域幅のボトルネックと不規則なアクセスパターンのために、地震ワークロードが理論上のGPUピーク性能のわずか50%しか達成しないと報告している[3]。 B. Reverse Time Migration（RTM） RTMは、塩ドームや衝上断層帯などの複雑な地質構造の下を画像化するための好ましい深度マイグレーションアルゴリズムである[4]。FWIと同様に、RTMは波動方程式の反復解法を伴うが、その計算プロファイルは、前方波動場と後方波動場の間に適用される相互相関イメージング条件によって支配される。プレスタック深度マイグレーションとプレスタック時間マイグレーションを合わせると、地震データ処理パイプラインの総計算負荷の70%以上を占める[5]。 C. 貯留層シミュレーション 貯留層流動シミュレーションは、地震処理とは異なるが、同じHPCインフラを共有し、同様のスケーリングペナルティの対象となる。3Dグリッドの空間離散化を各次元で2分の1に削減すると、総セル数——したがって計算要件——が8倍に増加する[3]。この解像度への感度は、フル物理シミュレーターと競合する精度を計算コストのほんの一部で提供できるAI支援代理モデルを開発するための強い経済的インセンティブを生み出す。 地震処理パイプラインの支配的なワークロードは、解像度パラメータに関して超線形または多項式的なスケーリングによって特徴づけられる。このスケーリング挙動は、ますます複雑化する貯留層ターゲットによって駆動される高解像度調査への長期的傾向と組み合わさり、GPUスケーリングだけでは経済的に解決できない複合的なコスト軌道を生み出す。 III. 地震計算削減のためのAIおよびML技術 このセクションでは、地震ワークフローの計算負担を削減するために適用されている主要なAIおよびMLアプローチを調査する。各アプローチは、パイプラインの異なる段階またはコスト構造の異なる側面を対象とする。 A. FWIのための深層ニューラルネットワーク代理モデル 最も計算インパクトのあるAI技術のクラスは、FWIの反復最適化ループを学習された前方または逆マッピングで部分的または完全に置き換えることを含む。代理ベースのアプローチでは、観測された地震データと地下速度モデルの間の関係を近似するように深層ニューラルネットワークが訓練され、推論中に波動方程式を繰り返し解く必要性を回避する[6]。 文献では3つの異なる統合戦略が提案されている[6]： (i) 最適化アルゴリズム自体を学習する——ニューラルネットワークは勾配ベースのFWIの更新ステップを模倣するように訓練される； (ii) 古典的な最適化フレームワーク内にデータ駆動コンポーネントを導入する——計算コストの高いサブステップを学習されたプロキシで置き換えるハイブリッドアーキテクチャ； (iii) 完全なエンドツーエンドインバージョン——ニューラルネットワークが地震観測を速度モデルに直接マッピングする。 地震インバージョンタスクで訓練された深層学習モデルの処理および推論時間は、古典的なFWIアプローチの最適化時間よりも一桁低いと報告されている[6]。この削減は推論時に特に顕著であり、計算集約的なオフライン訓練フェーズの後、ネットワークは数時間ではなく数秒で速度モデル予測を生成する。 深層ニューラルネットワークの次元削減および表現学習能力は、波動場観測と地下パラメータの間の関係が高次元かつ非線形である地震インバージョンに特に適している[6]。畳み込みアーキテクチャは、地震データと地下地質の両方の空間的コヒーレンスを活用して、速度モデル再構築タスクで強い性能を示している。 B. 物理情報ニューラルネットワーク（PINN） 純粋にデータ駆動の代理モデルの限界は、大規模なラベル付き訓練データセットへの依存である——これは、地下データの商業的機密性と産業解像度での合成訓練データ生成の高コストのために、O&Gの文脈では困難な制約である。物理情報ニューラルネットワークは、支配的な

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Abstract — The oil and gas (O&G) industry faces a compounding computational challenge: advanced seismic imaging techniques such as Full Waveform Inversion (FWI) and Reverse Time Migration (RTM) impose exponentially scaling workloads — doubling the maximum frequency of a 3D FWI run increases computational demand by a factor of sixteen, while a single high-resolution 3D FWI job on a modern supercomputer may require approximately 25,000 GPU-hours. This paper surveys the principal artificial intelligence (AI) and machine learning (ML) techniques being deployed to reduce these workloads, including deep neural network surrogate models for iterative solvers, physics-informed neural networks (PINNs), edge inference architectures, and alternative dataflow hardware paradigms. A structured review of institutional deployments — spanning the U.S. Department of Energy Genesis Mission (Executive Order, November 2025), the NETL Science-Informed Machine Learning for Accelerating Real-Time Decisions (SMART/SAMI) initiative, Petrobras SolverBR, Saudi Aramco AI-assisted seismic processing, and the Shearwater-NVIDIA collaboration — is presented alongside quantified performance outcomes. Beyond the technical review, this paper introduces and formalizes the Energy Paradox: the O&G sector simultaneously supplies the hydrocarbon energy that powers AI data centers globally and consumes AI-driven high-performance computing to reduce its own operational costs. We argue this closed-loop relationship has strategic, economic, and regulatory implications that have not been adequately addressed in the literature. A framework for evaluating AI adoption in seismic workflows — encompassing computational efficiency, energy footprint, and governance alignment — is proposed as a contribution to practitioners, engineers, and researchers operating at this intersection. Index Terms — Full Waveform Inversion, Reverse Time Migration, Seismic Processing, Deep Learning, Surrogate Models, Physics-Informed Neural Networks, Edge Computing, Oil and Gas, HPC, Energy Paradox, DOE Genesis Mission, NETL SAMI, Computational Geophysics, GPU Efficiency I. INTRODUCTION The oil and gas sector has long been one of the most computationally intensive industries outside of national security and pharmaceutical research. Seismic data acquisition surveys generate petabytes of raw measurements per campaign, and the physics-based algorithms used to convert those measurements into actionable subsurface imagery demand supercomputer-scale resources. Yet the economic pressure on this infrastructure has intensified significantly in the 2024–2026 period — not because of increased exploration activity, but because of a structural shift in global energy demand driven by artificial intelligence itself. The proliferation of large language models (LLMs), generative AI systems, and large-scale GPU clusters has produced an unprecedented surge in data center electricity consumption. AI hardware — primarily high-density GPU and TPU farms — is projected to account for a rapidly growing share of global electricity demand through 2030 [1]. A substantial fraction of this electricity is sourced from natural gas, either directly through gas-fired generation or indirectly through LNG supply chains managed by major O&G operators. The O&G sector therefore finds itself in a structurally paradoxical position: it supplies the energy that enables AI at global scale, while simultaneously seeking to deploy AI to reduce the computational cost of its own most expensive workflows. This paper formalizes this relationship as the Energy Paradox and situates it within a technical survey of the AI-driven computational reduction techniques being adopted at the frontier of seismic data processing. The survey covers four primary AI paradigms — DNN surrogate models, physics-informed neural networks (PINNs), edge inference architectures, and alternative compute hardware — with particular attention to quantified performance outcomes from industrial and governmental deployments. The remainder of this paper is organized as follows. Section II quantifies the computational problem. Section III surveys AI reduction techniques. Section IV reviews institutional deployments and case studies. Section V presents the Energy Paradox framework. Section VI discusses implementation considerations. Section VII addresses challenges and governance. Section VIII outlines future directions, and Section IX concludes. II. THE COMPUTATIONAL PROBLEM: QUANTIFYING SEISMIC WORKLOADS Understanding the magnitude of the computational challenge is a prerequisite for evaluating the impact of AI-driven solutions. Seismic processing encompasses a pipeline of increasingly expensive operations, from pre-processing through migration and inversion, each characterized by distinct scaling properties. A. Full Waveform Inversion (FWI) FWI is the gold standard for high-resolution subsurface velocity model building. It iteratively minimizes the misfit between simulated and observed wavefields by repeatedly solving the wave equation forward and backward through the model volume [2]. The computational cost scales as O(N^4) in 3D, where N is the number of grid points per dimension — a consequence of the Nyquist sampling requirement applied across three spatial dimensions and time. A defining characteristic of FWI workloads is their sensitivity to frequency content. Doubling the maximum frequency of a 3D FWI run increases the computational demand by a factor of sixteen [3]. A single high-resolution 3D FWI job on a state-of-the-art supercomputer requires approximately 25,000 GPU-hours distributed across hundreds of GPUs — an energy equivalent to powering an average U.S. household for fifteen months [3]. Despite massive GPU deployments, many operators report that seismic workloads achieve only 50% of theoretical GPU peak performance due to memory-bandwidth bottlenecks and irregular access patterns [3]. B. Reverse Time Migration (RTM) RTM is the preferred depth migration algorithm for imaging beneath complex geological structures such as salt bodies and thrust belts [4]. Like FWI, RTM involves repeated wave equation solving, but its computational profile is dominated by the cross-correlation imaging condition applied between forward and backward wavefields. Pre-stack depth migration and pre-stack time migration combined represent more than 70% of the total computational load of a seismic data processing pipeline [5]. C. Reservoir Simulation Reservoir flow simulation, while distinct from seismic processing, shares the same HPC infrastructure and is subject to analogous scaling penalties. Reducing the spatial discretization of a 3D grid by a factor of two in each dimension increases the total number of cells — and thus the computational requirements — by a factor of eight [3]. This sensitivity to resolution creates strong economic incentives to develop AI-assisted proxy models capable of delivering accuracy competitive with full-physics simulators at a fraction of the computational cost. The dominant workloads in the seismic processing pipeline are characterized by super-linear or polynomial scaling with respect to resolution parameters. This scaling behavior, combined with the secular trend toward higher-resolution surveys driven by increasingly complex reservoir targets, creates a compounding cost trajectory that GPU scaling alone cannot resolve economically. III. AI AND ML TECHNIQUES FOR SEISMIC COMPUTATIONAL REDUCTION This section surveys the principal AI and ML approaches being applied to reduce the computational burden of seismic workflows. Each approach targets a different stage of the pipeline or a different aspect of the cost structure. A. Deep Neural Network Surrogate Models for FWI The most computationally impactful class of AI techniques involves replacing — partially or fully — the iterative optimization loop of FWI with a learned forward or inverse mapping. In surrogate-based approaches, a deep neural network is trained to approximate the relationship between observed seismic data and subsurface velocity models, bypassing the need to repeatedly solve the wave equation during inference [6]. Three distinct integration strategies have been proposed in the literature [6]: (i)      Learning the optimization algorithm itself — the neural network is trained to mimic the update steps of gradient-based FWI; (ii)    Introducing data-driven components within a classical optimization framework — hybrid architectures that replace computationally expensive sub-steps with learned proxies; (iii)  Full end-to-end inversion — the neural network directly maps seismic observations to velocity models. Processing and inference times for deep learning models trained on seismic inversion tasks have been reported to be an order of magnitude lower than the optimization time of classical FWI approaches [6]. This reduction is particularly pronounced at inference time, where — after a computationally intensive offline training phase — the network produces velocity model predictions in seconds rather than hours. The dimensionality-reduction and representation-learning capabilities of deep neural networks are particularly well-suited to seismic inversion, where the relationship between wavefield observations and subsurface parameters is high-dimensional and non-linear [6]. Convolutional architectures have shown strong performance on velocity model reconstruction tasks, exploiting the spatial coherence of both seismic data and subsurface geology. B. Physics-Informed Neural Networks (PINNs) A limitation of purely data-driven surrogates is their dependence on large, labeled training datasets — a constraint that is challenging in the O&G context due to the commercial sensitivity of subsurface data and the high cost of generating synthetic training data at industrial resolution. Physics-Informed Neural Networks address this limitation by embedding the gover

• openaire https://doi.org/10.5281/zenodo.19652036first seen 2026-06-11 04:45:56 · last seen 2026-09-21 04:26:16