Under förra seklet, forskare har utvecklat metoder för att kartlägga strukturerna i jordskorpan, för att identifiera resurser som oljereserver, geotermiska källor, och, på senare tid, reservoarer där överskott av koldioxid eventuellt kan avskiljas. De gör det genom att spåra seismiska vågor som produceras naturligt av jordbävningar eller artificiellt via sprängämnen eller luftvapen under vattnet. Hur dessa vågor studsar och sprider sig genom jorden kan ge forskare en uppfattning om vilken typ av strukturer som ligger under ytan.

Det finns ett smalt utbud av seismiska vågor - de som förekommer vid låga frekvenser på cirka 1 hertz - som kan ge forskare den tydligaste bilden av underjordiska strukturer som sträcker sig över stora avstånd. Men dessa vågor dränks ofta av jordens bullriga seismiska nynning, och är därför svåra att plocka upp med strömdetektorer. Specifikt att generera lågfrekventa vågor skulle kräva pumpning av enorma mängder energi. Av dessa anledningar, lågfrekventa seismiska vågor har till stor del försvunnit i mänskligt genererade seismiska data.

Nu, MIT -forskare har tagit fram en lösning på maskininlärning för att fylla i detta gap.

I ett papper i tidningen Geophysics, de beskriver en metod där de tränade ett neuralt nätverk på hundratals olika simulerade jordbävningar. När forskarna presenterade det utbildade nätverket endast de högfrekventa seismiska vågorna som produceras från en ny simulerad jordbävning, det neurala nätverket kunde imitera fysiken för vågutbredning och exakt uppskatta skalvens saknade lågfrekventa vågor.

Den nya metoden kan göra det möjligt för forskare att artificiellt syntetisera de lågfrekventa vågorna som är dolda i seismiska data, som sedan kan användas för att mer exakt kartlägga jordens inre strukturer.

"Den ultimata drömmen är att kunna kartlägga hela underytan, och kunna säga, till exempel, 'så här ser det ut under Island, så nu vet du var du ska utforska geotermiska källor, säger medförfattare Laurent Demanet, professor i tillämpad matematik vid MIT. "Nu har vi visat att djup inlärning erbjuder en lösning för att kunna fylla i dessa saknade frekvenser."

Demanets medförfattare är huvudförfattare Hongyu Sun, en doktorand vid MIT:s Department of Earth, Atmosfär och planetvetenskap.

Talar en annan frekvens

Ett neuralt nätverk är en uppsättning algoritmer som modelleras löst efter den mänskliga hjärnans neurala funktion. Algoritmerna är utformade för att känna igen mönster i data som matas in i nätverket, och att gruppera dessa data i kategorier, eller etiketter. Ett vanligt exempel på ett neuralt nätverk innefattar visuell bearbetning; modellen är utbildad för att klassificera en bild som antingen en katt eller en hund, baserat på mönstren som den känner igen mellan tusentals bilder som specifikt är märkta som katter, hundar, och andra föremål.

Sun och Demanet anpassade ett neuralt nätverk för signalbehandling, specifikt, att känna igen mönster i seismiska data. De menade att om ett neuralt nätverk fick tillräckligt med exempel på jordbävningar, och hur de resulterande hög- och lågfrekventa seismiska vågorna färdas genom en viss sammansättning av jorden, nätverket ska kunna, som de skriver i sitt papper, "gruva de dolda korrelationerna mellan olika frekvenskomponenter" och extrapolera eventuella saknade frekvenser om nätet endast fick en jordbävning delvis seismisk profil.

Forskarna försökte utbilda ett konvolutionellt neuralt nätverk, eller CNN, en klass av djupa neurala nätverk som ofta används för att analysera visuell information. Ett CNN består i allmänhet av ett input- och output -lager, och flera dolda lager mellan, som behandlar inmatningar för att identifiera samband mellan dem.

Bland deras många applikationer, CNN har använts som ett sätt att generera visuella eller auditiva "deepfakes"-innehåll som har extrapolerats eller manipulerats genom djupinlärning och neurala nätverk, för att få det att verka, till exempel, som om en kvinna pratade med en mans röst.

"Om ett nätverk har sett tillräckligt med exempel på hur man tar en manlig röst och omvandlar den till en kvinnlig röst eller vice versa, du kan skapa en sofistikerad låda för att göra det, "Demanet säger." Här får vi jorden att tala en annan frekvens - en som inte ursprungligen gick igenom den. "

Spåra vågor

Forskarna utbildade sitt neurala nätverk med input som de genererade med hjälp av Marmousi -modellen, en komplex tvådimensionell geofysisk modell som simulerar hur seismiska vågor färdas genom geologiska strukturer med varierande densitet och sammansättning.

I deras studie, laget använde modellen för att simulera nio "virtuella jordar, "var och en med en annan underjordisk sammansättning. För varje jordmodell, de simulerade 30 olika jordbävningar, alla med samma styrka, men olika startplatser. Totalt, forskarna genererade hundratals olika seismiska scenarier. De matade informationen från nästan alla dessa simuleringar in i sitt neurala nätverk och lät nätverket hitta korrelationer mellan seismiska signaler.

Efter träningspasset, laget introducerade en ny jordbävning för neurala nätverket som de simulerade i jordmodellen men inte inkluderade i de ursprungliga träningsuppgifterna. De inkluderade bara den högfrekventa delen av jordbävningens seismiska aktivitet, i hopp om att det neurala nätverket lärde sig tillräckligt av träningsdata för att kunna dra slutsatsen om de saknade lågfrekventa signalerna från den nya ingången.

De fann att det neurala nätverket producerade samma lågfrekventa värden som Marmousi-modellen ursprungligen simulerade.

"Resultaten är ganska bra, "Demanet säger." Det är imponerande att se hur långt nätverket kan extrapolera till de saknade frekvenserna. "

Som med alla neurala nätverk, metoden har sina begränsningar. Specifikt, det neurala nätverket är bara lika bra som data som matas in i det. Om en ny ingång är väldigt annorlunda än huvuddelen av ett nätverks utbildningsdata, det finns ingen garanti för att utmatningen blir korrekt. För att motstå denna begränsning, forskarna säger att de planerar att introducera en större mängd data till det neurala nätverket, såsom jordbävningar med olika styrkor, samt underlag med mer varierad komposition.

När de förbättrar det neurala nätverkets förutsägelser, laget hoppas kunna använda metoden för att extrapolera lågfrekventa signaler från faktiska seismiska data, som sedan kan anslutas till seismiska modeller för att mer exakt kartlägga de geologiska strukturerna under jordens yta. De låga frekvenserna, särskilt, är en viktig ingrediens för att lösa det stora pusslet att hitta rätt fysisk modell.

"Att använda detta neurala nätverk hjälper oss att hitta de saknade frekvenserna för att i slutändan förbättra bilden under ytan och hitta jordens sammansättning, "Säger Demanet.

Denna artikel publiceras på nytt med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT -forskning, innovation och undervisning.