In de afgelopen eeuw is wetenschappers hebben methoden ontwikkeld om de structuren in de aardkorst in kaart te brengen, om hulpbronnen zoals oliereserves te identificeren, geothermische bronnen, en, recenter, reservoirs waar overtollige koolstofdioxide mogelijk kan worden opgeslagen. Ze doen dit door seismische golven te volgen die op natuurlijke wijze worden geproduceerd door aardbevingen of kunstmatig via explosieven of onderwaterluchtkanonnen. De manier waarop deze golven weerkaatsen en zich door de aarde verspreiden, kan wetenschappers een idee geven van het soort structuren dat zich onder het oppervlak bevindt.

Er is een smal bereik van seismische golven - die zich voordoen bij lage frequenties van ongeveer 1 hertz - die wetenschappers het duidelijkste beeld zouden kunnen geven van ondergrondse structuren die grote afstanden overspannen. Maar deze golven worden vaak overstemd door het lawaaierige seismische gezoem van de aarde, en zijn daarom moeilijk op te pikken met huidige detectoren. Specifiek voor het genereren van laagfrequente golven zou enorme hoeveelheden energie moeten worden gepompt. Om deze redenen, laagfrequente seismische golven zijn grotendeels verdwenen in door mensen gegenereerde seismische gegevens.

Nutsvoorzieningen, MIT-onderzoekers hebben een machine learning-oplossing bedacht om deze leemte op te vullen.

In een artikel dat verschijnt in het tijdschrift Geophysics, ze beschrijven een methode waarmee ze een neuraal netwerk hebben getraind op honderden verschillende gesimuleerde aardbevingen. Toen de onderzoekers het getrainde netwerk alleen de hoogfrequente seismische golven presenteerden die werden geproduceerd door een nieuwe gesimuleerde aardbeving, het neurale netwerk was in staat om de fysica van golfvoortplanting te imiteren en nauwkeurig de ontbrekende laagfrequente golven van de aardbeving in te schatten.

Met de nieuwe methode kunnen onderzoekers kunstmatig de laagfrequente golven synthetiseren die verborgen zijn in seismische gegevens, die vervolgens kunnen worden gebruikt om de interne structuren van de aarde nauwkeuriger in kaart te brengen.

"De ultieme droom is om de hele ondergrond in kaart te kunnen brengen, en kunnen zeggen, bijvoorbeeld, 'zo ziet het er onder IJsland uit, dus nu weet je waar je naar geothermische bronnen moet zoeken, '", zegt co-auteur Laurent Demanet, hoogleraar toegepaste wiskunde aan het MIT. "Nu hebben we laten zien dat deep learning een oplossing biedt om deze ontbrekende frequenties in te kunnen vullen."

Demanet's co-auteur is hoofdauteur Hongyu Sun, een afgestudeerde student aan het MIT's Department of Earth, Atmosferische en planetaire wetenschappen.

Een andere frequentie spreken

Een neuraal netwerk is een reeks algoritmen die losjes zijn gemodelleerd naar de neurale werking van het menselijk brein. De algoritmen zijn ontworpen om patronen te herkennen in gegevens die in het netwerk worden ingevoerd, en om deze gegevens in categorieën te clusteren, of etiketten. Een veelvoorkomend voorbeeld van een neuraal netwerk betreft visuele verwerking; het model is getraind om een ​​afbeelding te classificeren als een kat of een hond, op basis van de patronen die het herkent tussen duizenden afbeeldingen die specifiek als katten worden bestempeld, honden, en andere objecten.

Sun en Demanet hebben een neuraal netwerk aangepast voor signaalverwerking, specifiek, patronen in seismische gegevens te herkennen. Ze redeneerden dat als een neuraal netwerk genoeg voorbeelden van aardbevingen kreeg, en de manieren waarop de resulterende hoog- en laagfrequente seismische golven door een bepaalde samenstelling van de aarde reizen, het netwerk moet kunnen, zoals ze in hun krant schrijven, "mijn de verborgen correlaties tussen verschillende frequentiecomponenten" en extrapoleer eventuele ontbrekende frequenties als het netwerk alleen het gedeeltelijke seismische profiel van een aardbeving zou krijgen.

De onderzoekers wilden een convolutief neuraal netwerk trainen, of CNN, een klasse van diepe neurale netwerken die vaak wordt gebruikt om visuele informatie te analyseren. Een CNN bestaat over het algemeen uit een invoer- en uitvoerlaag, en meerdere verborgen lagen tussen, die inputs verwerken om correlaties daartussen te identificeren.

Onder hun vele toepassingen, CNN's zijn gebruikt als een middel om visuele of auditieve "deepfakes" te genereren - inhoud die is geëxtrapoleerd of gemanipuleerd via deep-learning en neurale netwerken, om het te laten lijken, bijvoorbeeld, alsof een vrouw met een mannenstem praat.

"Als een netwerk genoeg voorbeelden heeft gezien van hoe een mannenstem kan worden omgezet in een vrouwenstem of omgekeerd, je kunt een geavanceerde doos maken om dat te doen, "zegt Demanet. "Terwijl we hier de aarde een andere frequentie laten spreken - een die er oorspronkelijk niet doorheen ging."

Golven volgen

De onderzoekers trainden hun neurale netwerk met inputs die ze genereerden met behulp van het Marmousi-model, een complex tweedimensionaal geofysisch model dat de manier simuleert waarop seismische golven reizen door geologische structuren van verschillende dichtheid en samenstelling.

In hun studie hebben het team gebruikte het model om negen "virtuele aardes, " elk met een andere samenstelling van de ondergrond. Voor elk aardemodel, ze simuleerden 30 verschillende aardbevingen, allemaal met dezelfde kracht, maar verschillende startlocaties. In totaal, de onderzoekers genereerden honderden verschillende seismische scenario's. Ze voerden de informatie van bijna al deze simulaties in hun neurale netwerk en lieten het netwerk correlaties tussen seismische signalen vinden.

Na de trainingssessie, het team introduceerde een nieuwe aardbeving in het neurale netwerk die ze in het Earth-model simuleerden, maar niet in de oorspronkelijke trainingsgegevens hadden opgenomen. Ze omvatten alleen het hoogfrequente deel van de seismische activiteit van de aardbeving, in de hoop dat het neurale netwerk voldoende heeft geleerd van de trainingsgegevens om de ontbrekende laagfrequente signalen uit de nieuwe invoer te kunnen afleiden.

Ze ontdekten dat het neurale netwerk dezelfde laagfrequente waarden produceerde die het Marmousi-model oorspronkelijk simuleerde.

"De resultaten zijn redelijk goed, Demanet zegt. "Het is indrukwekkend om te zien hoe ver het netwerk kan extrapoleren naar de ontbrekende frequenties."

Zoals bij alle neurale netwerken, de methode heeft zijn beperkingen. specifiek, het neurale netwerk is slechts zo goed als de gegevens die erin worden ingevoerd. Als een nieuwe invoer enorm verschilt van het grootste deel van de trainingsgegevens van een netwerk, er is geen garantie dat de uitvoer nauwkeurig zal zijn. Om met deze beperking om te gaan, de onderzoekers zeggen dat ze van plan zijn een grotere verscheidenheid aan gegevens in het neurale netwerk te introduceren, zoals aardbevingen van verschillende sterktes, evenals ondergronden met een meer gevarieerde samenstelling.

Terwijl ze de voorspellingen van het neurale netwerk verbeteren, het team hoopt de methode te kunnen gebruiken om laagfrequente signalen te extrapoleren uit werkelijke seismische gegevens, die vervolgens kunnen worden aangesloten op seismische modellen om de geologische structuren onder het aardoppervlak nauwkeuriger in kaart te brengen. De lage frequenties, vooral, zijn een belangrijk ingrediënt voor het oplossen van de grote puzzel van het vinden van het juiste fysieke model.

"Het gebruik van dit neurale netwerk zal ons helpen de ontbrekende frequenties te vinden om uiteindelijk het ondergrondse beeld te verbeteren en de samenstelling van de aarde te vinden, ' zegt Demanet.

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.