Maskinindlæring finder skjulte vibrationer fra jordskælvsdata

I løbet af det sidste århundrede, forskere har udviklet metoder til at kortlægge strukturer inden for jordskorpen, for at identificere ressourcer såsom oliereserver, geotermiske kilder, og, for nylig, reservoirer, hvor overskydende kuldioxid potentielt kunne udskilles. Det gør de ved at spore seismiske bølger, der produceres naturligt ved jordskælv eller kunstigt via sprængstof eller luftvåben under vand. Den måde, hvorpå disse bølger hopper og spredes gennem Jorden, kan give forskere en idé om den type strukturer, der ligger under overfladen.

Der er et snævert spektrum af seismiske bølger - dem der forekommer ved lave frekvenser på omkring 1 hertz - der kunne give forskere det klareste billede af underjordiske strukturer, der spænder over store afstande. Men disse bølger drukner ofte af Jordens larmende seismiske brummen, og er derfor vanskelige at samle op med aktuelle detektorer. Specifikt at generere lavfrekvente bølger ville kræve pumpning af enorme mængder energi. Af disse grunde, lavfrekvente seismiske bølger er stort set forsvundet i menneskeskabte seismiske data.

Nu, MIT -forskere er kommet med en løsning til maskinlæring for at udfylde dette hul.

I et papir i tidsskriftet Geophysics, de beskriver en metode, hvor de trænede et neuralt netværk om hundredvis af forskellige simulerede jordskælv. Da forskerne kun præsenterede det uddannede netværk for højfrekvente seismiske bølger frembragt af et nyt simuleret jordskælv, det neurale netværk var i stand til at efterligne bølgefortplantningens fysik og præcist estimere jordskælvets manglende lavfrekvente bølger.

Den nye metode kunne gøre det muligt for forskere kunstigt at syntetisere lavfrekvente bølger, der er skjult i seismiske data, som derefter kan bruges til mere præcist at kortlægge Jordens indre strukturer.

"Den ultimative drøm er at kunne kortlægge hele undergrunden, og kunne sige, for eksempel, 'sådan ser det ud under Island, så nu ved du, hvor du skal udforske efter geotermiske kilder, '"siger medforfatter Laurent Demanet, professor i anvendt matematik ved MIT. "Nu har vi vist, at deep learning tilbyder en løsning for at kunne udfylde disse manglende frekvenser."

Demanets medforfatter er hovedforfatter Hongyu Sun, en kandidatstuderende i MIT's Department of Earth, Atmosfæriske og planetariske videnskaber.

Taler en anden frekvens

Et neuralt netværk er et sæt algoritmer, der er modelleret løst efter den neurale funktion i den menneskelige hjerne. Algoritmerne er designet til at genkende mønstre i data, der føres ind i netværket, og at samle disse data i kategorier, eller etiketter. Et almindeligt eksempel på et neuralt netværk involverer visuel behandling; modellen er uddannet til at klassificere et billede som enten en kat eller en hund, baseret på de mønstre, den genkender mellem tusinder af billeder, der specifikt er mærket som katte, hunde, og andre genstande.

Sun og Demanet tilpassede et neuralt netværk til signalbehandling, specifikt, at genkende mønstre i seismiske data. De begrundede, at hvis et neuralt netværk blev fodret med nok eksempler på jordskælv, og de måder, hvorpå de resulterende høj- og lavfrekvente seismiske bølger bevæger sig gennem en bestemt sammensætning af jorden, netværket skal kunne som de skriver i deres papir, "mine de skjulte korrelationer mellem forskellige frekvenskomponenter" og ekstrapolere eventuelle manglende frekvenser, hvis netværket kun fik et jordskælvs delvise seismiske profil.

Forskerne søgte at træne et konvolutionsnervalt netværk, eller CNN, en klasse af dybe neurale netværk, der ofte bruges til at analysere visuel information. Et CNN består meget generelt af et input- og outputlag, og flere skjulte lag mellem, der behandler input for at identificere sammenhænge mellem dem.

Blandt deres mange applikationer, CNN'er er blevet brugt som et middel til at generere visuelle eller auditive "deepfakes"-indhold, der er blevet ekstrapoleret eller manipuleret gennem deep-learning og neurale netværk, for at få det til at se ud, for eksempel, som om en kvinde talte med en mands stemme.

"Hvis et netværk har set nok eksempler på, hvordan man tager en mandlig stemme og omdanner den til en kvindelig stemme eller omvendt, du kan oprette en sofistikeret boks til at gøre det, "Demanet siger." Mens vi her får Jorden til at tale en anden frekvens - en der oprindeligt ikke gik igennem den. "

Sporing af bølger

Forskerne uddannede deres neurale netværk med input, som de genererede ved hjælp af Marmousi -modellen, en kompleks todimensionel geofysisk model, der simulerer den måde, seismiske bølger bevæger sig gennem geologiske strukturer med varierende densitet og sammensætning.

I deres undersøgelse, teamet brugte modellen til at simulere ni "virtuelle jordarter, "hver med en anden undergrundssammensætning. For hver jordmodel, de simulerede 30 forskellige jordskælv, alle med samme styrke, men forskellige startsteder. I alt, forskerne genererede hundredvis af forskellige seismiske scenarier. De fodrede oplysningerne fra næsten alle disse simuleringer ind i deres neurale netværk og lod netværket finde sammenhænge mellem seismiske signaler.

Efter træningssessionen, teamet introducerede et nyt jordskælv til det neurale netværk, som de simulerede i Jordmodellen, men ikke inkluderede i de originale træningsdata. De omfattede kun den højfrekvente del af jordskælvets seismiske aktivitet, i håb om, at det neurale netværk lærte nok af træningsdataene til at kunne udlede de manglende lavfrekvente signaler fra det nye input.

De fandt ud af, at det neurale netværk producerede de samme lavfrekvente værdier, som Marmousi-modellen oprindeligt simulerede.

"Resultaterne er ret gode, "Demanet siger." Det er imponerende at se, hvor langt netværket kan ekstrapolere til de manglende frekvenser. "

Som med alle neurale netværk, metoden har sine begrænsninger. Specifikt, det neurale netværk er kun lige så godt som de data, der føres ind i det. Hvis et nyt input er meget forskelligt fra hovedparten af ​​et netværks træningsdata, der er ingen garanti for, at output vil være nøjagtigt. For at bestride denne begrænsning, forskerne siger, at de planlægger at introducere en bredere vifte af data til det neurale netværk, såsom jordskælv med forskellige styrker, samt underlag af mere varieret sammensætning.

Da de forbedrer det neurale netværks forudsigelser, teamet håber at kunne bruge metoden til at ekstrapolere lavfrekvente signaler fra faktiske seismiske data, som derefter kan tilsluttes seismiske modeller for mere præcist at kortlægge de geologiske strukturer under jordens overflade. De lave frekvenser, i særdeleshed, er en vigtig ingrediens til at løse det store puslespil om at finde den korrekte fysiske model.

"Brug af dette neurale netværk hjælper os med at finde de manglende frekvenser for i sidste ende at forbedre billedet under overfladen og finde jordens sammensætning, "Siger Demanet.

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT -forskning, innovation og undervisning.