Brug kunstig intelligens til at forstå vulkanudbrud fra lille aske

Forskere ledet af Daigo Shoji fra Earth-Life Science Institute (Tokyo Institute of Technology) har vist, at en type kunstig intelligens kaldet et konvolutionsnervalt neuralt netværk kan trænes i at kategorisere vulkaniske askepartikelformer. Fordi vulkanpartiklernes former er knyttet til typen af ​​vulkanudbrud, denne kategorisering kan give oplysninger om udbrud og hjælpe med at bekæmpe vulkansk fare.

Vulkanudbrud findes i mange former, fra eksplosive udbrud af Islands Eyjafjallajökull i 2010, som forstyrrede de europæiske flyrejser i en uge, til Hawaii -øernes relativt rolige lavastrømme fra maj 2018. Ligeledes, disse udbrud har forskellige tilhørende trusler, fra askeskyer til lava. Sommetider, udbrudsmekanismen (f.eks. vand og magma -interaktion) ikke er indlysende, og skal nøje evalueres af vulkanologer for at fastslå fremtidige trusler og reaktioner. Vulkanologer ser nøje på den aske, der produceres ved udbrud (f.eks. 1), som forskellige udbrud producerer askepartikler af forskellige former. Men hvordan ser man objektivt på tusinder af bittesmå prøver for at frembringe et sammenhængende billede af udbruddet? Klassificering efter øje er den sædvanlige metode, men det er langsomt, subjektiv, og begrænset af tilgængeligheden af ​​erfarne vulkanologer. Konventionelle computerprogrammer er hurtige til at klassificere partikler efter objektive parametre, som cirkularitet, men udvælgelsen af ​​parametre forbliver opgaven, fordi simple former kategoriseret efter en enkelt parameter sjældent findes i naturen.

Gå ind i det konvolutionelle neurale netværk (CNN), en kunstig intelligens designet til at analysere billeder. I modsætning til andre computerprogrammer, CNN lærer organisk som et menneske, men tusinder af gange hurtigere. Programmet kan også deles, fjerner behovet for snesevis af uddannede geologer på området. Til dette eksperiment, programmet blev fodret med billeder af hundredvis af partikler med en af ​​fire basale former, som er skabt af forskellige udbrudsmekanismer (eksempler er vist i fig. 2). Askepartikler er blokerede, når sten fragmenteres af udbrud, vesikulær når lava er boblende, forlænget, når partikler er smeltet og klemt, og afrundet fra væskens overfladespænding, som dråber vand. Eksperimentet lærte programmet med succes at klassificere de basale former med en succesrate på 92 procent, og tildele sandsynlighedsforhold til hver partikel selv for den usikre form (fig. 3). Dette kan muligvis give et yderligere lag af kompleksitet til dataene i fremtiden, give forskere bedre værktøjer til at bestemme udbrudstype, f.eks. om et udbrud var freatomagmatisk (som anden fase af Eyjafjallajökull -udbruddet i 2010) eller magmatisk (som flankeudbrud i Etna).

Dr. Shojis undersøgelse har vist, at CNN'er kan trænes til at finde nyttige, kompleks information om små partikler med stor geologisk værdi. For at øge CNN's rækkevidde, mere avancerede forstørrelsesteknikker, såsom elektronmikroskopi, kan tilføje farve og tekstur til resultaterne. Fra samarbejde med biologer, dataloger og geologer, forskergruppen håber at kunne bruge CNN på nye måder. Den mikrokosmiske verden har altid været kompleks, men takket være et par forskere, der studerer vulkaner, svar kan være lettere at finde.