Forskare under ledning av Daigo Shoji från Earth-Life Science Institute (Tokyo Institute of Technology) har visat att en typ av artificiell intelligens som kallas ett konvolutionellt neuralt nätverk kan utbildas för att kategorisera vulkaniska aska partikelformer. Eftersom formerna på vulkaniska partiklar är kopplade till typen av vulkanutbrott, Denna kategorisering kan ge information om utbrott och hjälpa vulkaniska riskreducerande insatser.

Vulkanutbrott finns i många former, från de explosiva utbrotten i Islands Eyjafjallajökull 2010, som störde europeiska flygresor i en vecka, till Hawaiiöarnas relativt lugna lavaströmmar från maj 2018. Likaså, dessa utbrott har olika associerade hot, från askmoln till lava. Ibland, utbrottsmekanismen (t.ex. vatten och magma -interaktion) är inte uppenbart, och måste noggrant utvärderas av vulkanologer för att fastställa framtida hot och svar. Vulkanologer tittar noga på askan som produceras av utbrott (t.ex. Figur 1), eftersom olika utbrott producerar askpartiklar av varierande former. Men hur ser man objektivt på tusentals små prover för att få en sammanhängande bild av utbrottet? Klassificering enligt ögat är den vanliga metoden, men det går långsamt, subjektiv, och begränsad av tillgången på erfarna vulkanologer. Konventionella datorprogram klassificerar snabbt partiklar efter objektiva parametrar, som cirkularitet, men valet av parametrar förblir uppgiften eftersom enkla former som kategoriseras av en enda parameter sällan finns i naturen.

Gå in i det konvolutionella neurala nätverket (CNN), en artificiell intelligens utformad för att analysera bilder. Till skillnad från andra datorprogram, CNN lär sig organiskt som en människa, men tusentals gånger snabbare. Programmet kan också delas, ta bort behovet av dussintals utbildade geologer inom området. För detta experiment, programmet matades med bilder av hundratals partiklar med en av fyra basala former, som skapas av olika utbrottsmekanismer (exempel visas i fig. 2). Askpartiklar är blockiga när stenar fragmenteras av utbrott, vesikulär när lava är bubblig, långsträckt när partiklar smälts och kläms, och avrundad från vätskans ytspänning, som vattendroppar. Experimentet lärde programmet framgångsrikt att klassificera de basala formerna med en framgångsgrad på 92 procent, och tilldela sannolikhetsförhållanden till varje partikel även för den osäkra formen (fig. 3). Detta kan möjliggöra ett ytterligare lager av komplexitet för data i framtiden, ge forskare bättre verktyg för att avgöra utbrottstyp, till exempel om ett utbrott var freatomagmatiskt (som andra fasen av Eyjafjallajökull -utbrottet 2010) eller magmatiskt (som flanutbrott i Etna).

Dr Shojis studie har visat att CNN kan utbildas för att hitta användbara, komplex information om små partiklar med stort geologiskt värde. För att öka räckvidden för CNN, mer avancerade förstoringstekniker, såsom elektronmikroskopi, kan lägga till färg och struktur till resultaten. Från samarbete med biologer, datavetare och geologer, forskargruppen hoppas kunna använda CNN på nya sätt. Den mikrokosmiska världen har alltid varit komplex, men tack vare några forskare som studerar vulkaner, svar kan vara lättare att hitta.