Wetenschappers onder leiding van Daigo Shoji van het Earth-Life Science Institute (Tokyo Institute of Technology) hebben aangetoond dat een soort kunstmatige intelligentie, een convolutioneel neuraal netwerk genaamd, kan worden getraind om de vormen van vulkanische asdeeltjes te categoriseren. Omdat de vormen van vulkanische deeltjes verband houden met het type vulkaanuitbarsting, deze indeling kan informatie verschaffen over uitbarstingen en bijdragen aan het verminderen van vulkanische gevaren.

Vulkaanuitbarstingen zijn er in vele vormen, van de explosieve uitbarstingen van de IJslandse Eyjafjallajökull in 2010, die het Europese vliegverkeer een week lang verstoorde, naar de relatief rustige lavastromen van mei 2018 op de Hawaiiaanse eilanden. Hetzelfde, deze uitbarstingen hebben verschillende bijbehorende bedreigingen, van aswolken tot lava. Soms, het uitbarstingsmechanisme (bijv. water en magma interactie) is niet duidelijk, en moet zorgvuldig worden geëvalueerd door vulkanologen om toekomstige bedreigingen en reacties te bepalen. Vulkanologen kijken goed naar de as die door uitbarstingen wordt geproduceerd (bijv. Figuur 1), omdat verschillende uitbarstingen asdeeltjes van verschillende vormen produceren. Maar hoe kijk je objectief naar duizenden minuscule monsters om een ​​samenhangend beeld van de uitbarsting te krijgen? Classificatie op het oog is de gebruikelijke methode, maar het is traag, subjectief, en beperkt door de beschikbaarheid van ervaren vulkanologen. Conventionele computerprogramma's kunnen deeltjes snel classificeren op basis van objectieve parameters, zoals circulariteit, maar de selectie van parameters blijft de taak omdat eenvoudige vormen die door een enkele parameter worden gecategoriseerd, zelden in de natuur worden gevonden.

Voer het convolutionele neurale netwerk (CNN) in, een kunstmatige intelligentie ontworpen om beelden te analyseren. In tegenstelling tot andere computerprogramma's, CNN leert organisch als een mens, maar duizenden keren sneller. Het programma kan ook worden gedeeld, het wegnemen van de noodzaak voor tientallen opgeleide geologen in het veld. Voor dit experiment is het programma kreeg afbeeldingen van honderden deeltjes met een van de vier basale vormen, die worden gecreëerd door verschillende uitbarstingsmechanismen (voorbeelden worden getoond in Fig. 2). Asdeeltjes zijn blokkerig wanneer rotsen worden gefragmenteerd door uitbarstingen, blaasjes wanneer lava bruisend is, langwerpig wanneer deeltjes worden gesmolten en geplet, en afgerond van de oppervlaktespanning van vloeistoffen, als waterdruppels. Het experiment leerde het programma met succes de basale vormen te classificeren met een slagingspercentage van 92 procent, en wijs waarschijnlijkheidsverhoudingen toe aan elk deeltje, zelfs voor de onzekere vorm (Fig. 3). Dit kan in de toekomst voor een extra laag complexiteit van de gegevens zorgen, wetenschappers betere hulpmiddelen bieden om het type uitbarsting te bepalen, zoals of een uitbarsting freatomagmatisch was (zoals de tweede fase van de uitbarsting van Eyjafjallajökull in 2010) of magmatisch (zoals flankuitbarstingen van de Etna).

De studie van Dr. Shoji heeft aangetoond dat CNN's kunnen worden getraind om nuttige, complexe informatie over kleine deeltjes met een enorme geologische waarde. Om het bereik van de CNN te vergroten, meer geavanceerde vergrotingstechnieken, zoals elektronenmicroscopie, kan kleur en textuur toevoegen aan de resultaten. Door samenwerking met biologen, computerwetenschappers en geologen, het onderzoeksteam hoopt CNN op nieuwe manieren te gebruiken. De microkosmische wereld is altijd complex geweest, maar dankzij een paar wetenschappers die vulkanen bestuderen, antwoorden zijn misschien makkelijker te vinden.