En ny maskininlärningsmodell som genererar realistiska seismiska vågformer kommer att minska manuellt arbete och förbättra jordbävningsdetektering, enligt en studie publicerad nyligen i JGR Solid Earth .

"För att verifiera effektiviteten av vår generativa modell, vi tillämpade det på seismiska fältdata som samlats in i Oklahoma, " sa Youzuo Lin, en beräkningsforskare i Los Alamos National Laboratorys geofysikgrupp och huvudutredare av projektet. "Genom en sekvens av kvalitativa och kvantitativa tester och riktmärken, vi såg att vår modell kan generera syntetiska vågformer av hög kvalitet och förbättra maskininlärningsbaserade jordbävningsdetekteringsalgoritmer."

Att snabbt och exakt upptäcka jordbävningar kan vara en utmanande uppgift. Visuell upptäckt som gjorts av människor har länge ansetts vara guldstandarden, men kräver intensivt manuellt arbete som kan skalas dåligt till stora datamängder. På senare år har automatiska detekteringsmetoder baserade på maskininlärning har förbättrat datainsamlingens noggrannhet och effektivitet; dock, noggrannheten i dessa metoder är beroende av tillgång till en stor mängd högkvalitativa, märkt träningsdata, ofta tiotusentals skivor eller mer.

För att lösa detta datadilemma, forskargruppen utvecklade SeismoGen baserat på ett generativt motståndsnätverk (GAN), vilket är en typ av djupgenerativ modell som kan generera syntetiska prover av hög kvalitet i flera domäner. Med andra ord, djupa generativa modeller tränar maskiner att göra saker och skapa ny data som kan passera som verklig.

Väl utbildad, SeismoGen-modellen kan producera realistiska seismiska vågformer av flera etiketter. När den tillämpas på riktiga jordseismiska datauppsättningar i Oklahoma, teamet såg att dataförstärkning från SeismoGen-genererade syntetiska vågformer kunde användas för att förbättra jordbävningsdetekteringsalgoritmer i fall då endast små mängder märkt träningsdata är tillgängliga.