Forskare som försöker förstå jordens inre urverk har satt in arméer av sensorer som lyssnar efter tecken på halkar, mullrar, andas ut och andra störningar som härrör från planetens djupaste förkastningar till dess högsta vulkaner. "Vi mäter rörelsen av marken kontinuerligt, samlar vanligtvis 100 prover per sekund vid hundratals till tusentals instrument, " sa Stanford geofysiker Gregory Beroza. "Det är bara ett enormt flöde av data."

Ändå har forskarnas förmåga att extrahera mening från denna information inte hållit jämna steg.

Den fasta jorden, haven och atmosfären bildar tillsammans ett geosystem där fysiska, biologiska och kemiska processer samverkar på skalor som sträcker sig från millisekunder till miljarder år, och från storleken på en enda atom till en hel planets storlek. "Alla dessa saker är kopplade på någon nivå, " förklarade Beroza, Wayne Loel professor vid School of Earth, Energi- och miljövetenskaper (Stanford Earth). "Vi förstår inte de enskilda systemen, och vi förstår inte deras relationer med varandra."

Nu, som Beroza och medförfattare beskriver i en artikel som publicerades den 21 mars i tidskriften Vetenskap , maskininlärningsalgoritmer tränade för att utforska strukturen hos ständigt växande geologiska dataströmmar, bygga på iakttagelser allteftersom och tolka allt mer komplexa, vidsträckta simuleringar hjälper forskare att svara på ihärdiga frågor om hur jorden fungerar.

Från automatisering till upptäckt

"När jag började samarbeta med geovetare för fem år sedan, det fanns intresse och nyfikenhet kring maskininlärning och datavetenskap, " mindes Karianne Bergen, huvudförfattare på tidningen och en forskare vid Harvard Data Science Initiative som tog sin doktorsexamen i beräknings- och matematisk teknik från Stanford. "Men gruppen av forskare som använde maskininlärning för geovetenskapliga tillämpningar var relativt liten."

Det förändras snabbt. De mest enkla tillämpningarna av maskininlärning inom geovetenskap automatiserar repetitiva uppgifter som att kategorisera vulkanaskpartiklar och identifiera spiken i en uppsättning seismiska vickningar som indikerar början på en jordbävning. Den här typen av maskininlärning liknar tillämpningar inom andra områden som kan träna en algoritm för att upptäcka cancer i medicinska bilder baserat på en uppsättning exempel märkta av en läkare. Mer avancerade algoritmer som låser upp nya upptäckter inom geovetenskap och vidare kan börja känna igen mönster utan att arbeta utifrån kända exempel.

"Anta att vi utvecklar en jordbävningsdetektor baserad på kända jordbävningar. Den kommer att hitta jordbävningar som ser ut som kända jordbävningar, " Beroza förklarade. "Det skulle vara mycket mer spännande att hitta jordbävningar som inte ser ut som kända jordbävningar." Beroza och kollegor på Stanford har kunnat göra just det genom att använda en algoritm som flaggar varje upprepande signatur i uppsättningarna av vickningar fångas upp av seismografer – instrumenten som registrerar skakningar från jordbävningar – snarare än att bara leta efter de mönster som skapats av jordbävningar som forskare tidigare har katalogiserat.

Båda typerna av algoritmer – de med explicit märkning i träningsdata och de utan – kan struktureras som djupa neurala nätverk, som fungerar som ett system med många lager där resultaten av någon transformation av data i ett lager fungerar som indata för en ny beräkning i nästa lager. Bland andra ansträngningar som noterades i tidningen, dessa typer av nätverk har gjort det möjligt för geovetare att snabbt beräkna hastigheten på seismiska vågor – en kritisk beräkning för att uppskatta ankomsttider för jordbävningar – och att skilja mellan skakningar orsakade av jordens naturliga rörelse i motsats till explosioner.

En ofullkomlig mimik

Förutom att upptäcka förbisedda mönster, maskininlärning kan också hjälpa till att tämja överväldigande datamängder. Modellera hur en jordbävning påverkar den trögflytande delen av lagret i jordens inre som sträcker sig hundratals miles under planetens yttersta skorpa, till exempel, kräver en oöverstigligt stor mängd datorkraft. Men maskininlärningsalgoritmer kan hitta genvägar, i huvudsak efterlikna lösningar på mer detaljerade ekvationer med mindre datoranvändning.

"Vi kan få en ganska bra uppskattning av verkligheten, som vi kommer att kunna tillämpa på datamängder som är så stora eller simuleringar som är så omfattande att de mest kraftfulla datorerna som finns inte skulle kunna bearbeta dem, " sa Beroza.

Vad mer, eventuella brister i precisionen hos artificiell intelligens-baserade lösningar på dessa ekvationer bleknar ofta i betydelse jämfört med inflytandet från forskarnas egna beslut om hur man i första hand ska sätta upp beräkningar. "Vår största felkälla kommer inte från vår oförmåga att lösa ekvationerna, " Sa Beroza. "Det kommer från att veta hur jordens inre struktur verkligen är och parametrarna som bör gå in i dessa ekvationer."

Öppen vetenskap

För att vara säker, maskininlärning är långt ifrån ett perfekt verktyg för att svara på de svåraste frågorna inom geovetenskap. "De mest kraftfulla maskininlärningsalgoritmerna kräver vanligtvis stora märkta datamängder, som inte är tillgängliga för många geovetenskapliga tillämpningar, ", sa Bergen. Om forskare tränar en algoritm på otillräcklig eller felaktigt märkt data, hon varnade, det kan få modeller att reproducera fördomar som inte nödvändigtvis speglar verkligheten.

Denna typ av fel kan delvis bekämpas genom större transparens och skapande av "riktmärke" datamängder, som forskarna hävdar kan stimulera konkurrens och möjliggöra jämförelser mellan äpplen och äpplen av algoritmprestanda. Enligt Bergen, "Antagande av öppna vetenskapsprinciper, inklusive delning av data och kod, kommer att bidra till att påskynda forskningen och även tillåta samhället att identifiera och ta itu med begränsningar eller svagheter hos föreslagna tillvägagångssätt."

Mänsklig otålighet kan vara svårare att hålla i schack. "Det jag är orolig för är att folk kommer att använda AI naivt, " sa Beroza. "Du skulle kunna tänka dig att någon tränar en många lager, djupa neurala nätverk för att göra jordbävningsförutsägelser – och sedan inte testa metoden på ett sätt som korrekt validerar dess prediktiva värde."