Un nuovo modello di apprendimento automatico che genera forme d'onda sismiche realistiche ridurrà il lavoro manuale e migliorerà il rilevamento dei terremoti, secondo uno studio pubblicato di recente in JGR Solid Earth .

"Per verificare l'efficacia del nostro modello generativo, l'abbiamo applicato ai dati del campo sismico raccolti in Oklahoma, " disse Youzuo Lin, uno scienziato computazionale nel gruppo di geofisica del Los Alamos National Laboratory e ricercatore principale del progetto. "Attraverso una sequenza di test e benchmark qualitativi e quantitativi, abbiamo visto che il nostro modello può generare forme d'onda sintetiche di alta qualità e migliorare gli algoritmi di rilevamento dei terremoti basati sull'apprendimento automatico".

Rilevare i terremoti in modo rapido e accurato può essere un compito impegnativo. Il rilevamento visivo fatto dalle persone è stato a lungo considerato il gold standard, ma richiede un lavoro manuale intensivo che si adatta poco a set di dati di grandi dimensioni. Negli ultimi anni, i metodi di rilevamento automatico basati sull'apprendimento automatico hanno migliorato l'accuratezza e l'efficienza della raccolta dei dati; però, l'accuratezza di tali metodi si basa sull'accesso a una grande quantità di dati di alta qualità, dati di allenamento etichettati, spesso decine di migliaia di record o più.

Per risolvere questo dilemma sui dati, il team di ricerca ha sviluppato SeismoGen basato su una rete generativa avversaria (GAN), che è un tipo di modello generativo profondo in grado di generare campioni sintetici di alta qualità in più domini. In altre parole, modelli generativi profondi addestrano le macchine a fare cose e creare nuovi dati che potrebbero passare per reali.

Una volta addestrato, il modello SeismoGen è in grado di produrre forme d'onda sismiche realistiche di più etichette. Quando applicato a set di dati sismici terrestri reali in Oklahoma, il team ha visto che l'aumento dei dati dalle forme d'onda sintetiche generate da SeismoGen potrebbe essere utilizzato per migliorare gli algoritmi di rilevamento dei terremoti nei casi in cui sono disponibili solo piccole quantità di dati di addestramento etichettati.