Потрясний AI: як засоби машинного навчання допомагають сейсмологам

Вулкани та землетруси віддавна лякали людей, та з розвитком технологій людство навчилося використовувати навіть ці потенційні небезпеки собі на користь. Приміром, шляхом будівництва геотермальних електростанцій у регіонах високої сейсмологічної активності, адже саме в районах активного вулканізму та на зламі тектонічних плит найлегше отримати внутрішню енергію нашої планети. Нове дослідження, проведене американськими вченими, свідчить, що новітні технології машинного навчання можуть допомогти нам не лише зрозуміти тектонічні процеси Землі, а й покращити видобування енергії. Деталі – в адаптованому перекладі матеріалу з ресурсу Science Daily.

Спектрограма на противагу сейсмограмі

Після проведеного дослідження вчені Колумбійського університету, США, стверджують, що алгоритми машинного навчання можуть виділити різні типи землетрусів з даних про землетруси, що накопичилися за три роки спостережень у найбільшому та найстарішому в світі гідрогеотермальному родовищі Великі гейзери (The Geysers) в Каліфорнії, США. Повторювані закономірності землетрусів, здається, відповідають сезонним пікам впорскування води в гарячі породи під поверхнею землі, що свідчить про зв’язок з механічними процесами, які спричиняють тріщини та рух порід, викликаючи землетрус.

«– Це абсолютно новий спосіб вивчення землетрусів, – говорить співавтор дослідження Бенджамін Гольцман (Benjamin Holtzman), геофізик з Колумбійської Земної Обсерваторії Ламонт-Догерті, США. – Ці методи машинного навчання виділяють дуже незначні відмінності у вихідних даних, які ми тільки вчимося тлумачити».

Підхід є новим з кількох причин. Дослідники зібрали каталог з 46 000 записів про землетруси, кожний з яких представляє енергетичні хвилі у вигляді сейсмограми. Сейсмологи, як правило, аналізують сейсмограми, щоб оцінити величину землетрусу та місце його виникнення. Потім вони представили зміни в частоті хвиль у часі у вигляді спектрограми (її можна порівняти із записом зміни частоти звуку). І, переглядаючи інформацію про частоту кожного землетрусу, дослідники натомість змогли застосувати інструменти машинного навчання, які можуть вибирати закономірності в музиці та людській мові, з мінімальним втручанням людини. За допомогою цих інструментів дослідники зменшили кожний землетрус до спектрального «відбитка», що показує його найменші відмінності від інших землетрусів, а потім використали алгоритм кластеризації для сортування «відбитків» по групах. Алгоритми машинного навчання допомогли науковцям зробити зв’язок з коливаннями води, що вводиться під землю під час процесу вилучення енергії, і надали дослідникам можливе пояснення того, чому комп’ютер погрупував сигнали таким чином.

«– Тепер необхідно вивчити ці кластери традиційними методами й подивитися, чи можемо ми зрозуміти закони фізики, на яких вони базуються, – говорить співавтор Фелікс Вальдгаузер (Felix Waldhauser), сейсмолог з Ламонт-Догерті. – Зазвичай у науковців є гіпотеза, яку вони перевіряють. У цьому випадку ми повинні створити гіпотезу на основі знайденої машиною закономірності».

Якщо землетруси в різних кластерах можуть бути пов’язані з трьома механізмами, які, як правило, спричиняють землетруси в гідрогеотермальному резервуарі – руйнування від зсуву, руйнування від дії температур і гідравлічне розтріскування, можливо, за словами дослідників, їх можна буде використовувати для збільшення отримуваної енергії в гідрогеотермальних резервуарах. Якщо інженери можуть зрозуміти, що відбувається в резервуарі, вони можуть експериментувати з контролем над потоками води, щоб створити більше дрібних тріщин, і, таким чином, нагріти воду для отримання пари та, зрештою, електроенергії. Ці методи також можуть допомогти зменшити ймовірність виникнення більших землетрусів (на території Великих гейзерів) та в інших місцях, де рідина перекачується під землею, зокрема, у місцях скидання рідких відходів. Зрештою, інструменти можуть допомогти виявити попереджувальні знаки виникнення великого землетрусу, а це вже «Святий грааль» сейсмології.

Звуки музики

Дослідження виросло з незвичайної творчої співпраці. Гольцман, сам музикант, вже давно цікавився дивними звуками землетрусів. Разом зі звукорежисером Джейсоном Кендлером (Jason Candler), Гольцман перетворив записи сейсмічних хвиль помітних землетрусів у звуки, а потім прискорив їх, аби вони стали зрозумілими для людського вуха. Результат їх співпраці з іншим співавтором, Дугласом Репетто (Douglas Repetto), став основою для періодичного шоу в планетарії Хайдена в Американському музеї природної історії (Нью-Йорк, США), що називається Seismodome, під час якого людей «переносять» всередину Землі, щоб вони відчули живу планету.

З розвитком шоу Гольцман зацікавився ідеєю, чи може людське вухо інтуїтивно розуміти фізику землетрусів. У серії експериментів він і співавтор дослідження Артур Пате (Athur Paté), підтвердили, що люди можуть відрізняти викликані землетрусом поштовхи, що поширюються морським дном або твердою континентальною корою. Сповнений ентузіазму та прагнучи розширити дослідження, Гольцман звернувся до Джона Пейслі (John Paisley), професора електротехніки з Інституту наукових досліджень Колумбійського університету. Гольцман хотів дізнатися, чи можуть інструменти машинного навчання розпізнати щось нове в гігантському наборі даних про землетруси. Він вирішив почати з даних Великих гейзерів через свій давній інтерес до гідрогеотермальної енергії.

– Перед нами постала типова задача кластеризації, – говорить Пейслі. – Але з даними про 46 000 землетрусів це було непростим завданням».

Пейслі вигадав триетапне рішення. По-перше, алгоритм типу моделювання тем визначив найпоширеніші частоти в наборі даних. Потім інший алгоритм визначив найпоширеніші комбінації частот в кожній 10-секундній спектрограмі, щоб розрахувати її унікальний акустичний відбиток. Нарешті, алгоритм кластеризації, без вказівки того, як організовувати дані, згрупував 46 000 відбитків за подібністю. Коли дослідники зіставили кластери з пересічними місячними обсягами вприскування води у Великі гейзери, з’явилися закономірності: високий рівень впорскувань взимку пов’язаний зі збільшенням кількості землетрусів та одним типом сигналу. Низький рівень впорскувань у літній період відповідає меншій кількості землетрусів та іншому типу сигналу. Навесні та восени спостерігаються перехідні сигнали. Дослідники планують застосувати ці методи до записів інших природних землетрусів, а також землетрусів, що моделюються в лабораторії, щоб побачити, чи можуть вони пов’язати типи сигналів з різними процесами.

Ще одне нещодавно опубліковане дослідження свідчить, що дослідники стали на перспективний шлях. Група, яку очолив вчений з Лос-Аламоського університету, США, Пол Джонсон (Paul Johnson), показала, що інструменти для машинного навчання можуть вибирати тонкий акустичний сигнал у даних з лабораторних експериментів і прогнозувати, коли станеться наступний мікроскопічний землетрус. Хоча природні розлади є більш складними, дослідження свідчать, що навчання машин може призвести до розуміння виявлення перших ознак великих землетрусів.

Теперішнє дослідження також надихнуло на створення нового курсу «Звукове та візуальне представлення даних», який Гольцман і Пейслі викладали минулої весни на Музичному факультеті Колумбійського університету.

БІЛЬШЕ ПРО ЦІКАВІ ДОСЛІДЖЕННЯ:

Джерело: Science Daily, переклад підготувала Ірина Гоял, спеціально для «Блог Imena.UA»

Читайте также:

Активне шумозаглушення в навушниках: шкода та користь

Як користуватися Artbreeder — нейромережею, яка вміє «схрещувати» зображення та створювати нові

OpenAI представила революційну нейромережу SORA, що генерує відео за текстом

Що чекає штучний інтелект у 2024 році: 4 головні тренди від MIT