Gli scienziati guidati da Daigo Shoji dell'Earth-Life Science Institute (Tokyo Institute of Technology) hanno dimostrato che un tipo di intelligenza artificiale chiamata rete neurale convoluzionale può essere addestrata per classificare le forme delle particelle di cenere vulcanica. Poiché le forme delle particelle vulcaniche sono legate al tipo di eruzione vulcanica, questa categorizzazione può fornire informazioni sulle eruzioni e aiutare gli sforzi di mitigazione del rischio vulcanico.

Le eruzioni vulcaniche si presentano in molte forme, dalle eruzioni esplosive dell'Eyjafjallajökull in Islanda nel 2010, che ha interrotto i viaggi aerei europei per una settimana, ai flussi di lava relativamente tranquilli del maggio 2018 delle Isole Hawaii. Allo stesso modo, queste eruzioni hanno diverse minacce associate, dalle nuvole di cenere alla lava. Qualche volta, il meccanismo di eruzione (es. interazione acqua e magma) non è ovvio, e deve essere attentamente valutato dai vulcanologi per determinare minacce e risposte future. I vulcanologi osservano da vicino la cenere prodotta dalle eruzioni (ad es. Fig. 1), poiché diverse eruzioni producono particelle di cenere di forme diverse. Ma come si osservano oggettivamente migliaia di minuscoli campioni per produrre un'immagine coerente dell'eruzione? La classificazione a occhio è il metodo usuale, ma è lento, soggettivo, e limitato dalla disponibilità di vulcanologi esperti. I programmi per computer convenzionali sono rapidi nel classificare le particelle in base a parametri oggettivi, come la circolarità, ma la selezione dei parametri rimane il compito perché le forme semplici classificate da un singolo parametro si trovano raramente in natura.

Inserisci la rete neurale convoluzionale (CNN), un'intelligenza artificiale progettata per analizzare le immagini. A differenza di altri programmi per computer, La CNN impara organicamente come un essere umano, ma migliaia di volte più veloce. Il programma può anche essere condiviso, eliminando la necessità di decine di geologi addestrati sul campo. Per questo esperimento, il programma è stato alimentato con immagini di centinaia di particelle con una delle quattro forme basali, che sono creati da diversi meccanismi di eruzione (esempi sono mostrati in Fig. 2). Le particelle di cenere sono a blocchi quando le rocce vengono frammentate da eruzioni, vescicolare quando la lava è frizzante, allungato quando le particelle sono fuse e schiacciate, e arrotondato dalla tensione superficiale dei fluidi, come gocce d'acqua. L'esperimento ha insegnato con successo al programma a classificare le forme basali con un tasso di successo del 92 percento, e assegnare rapporti di probabilità a ciascuna particella anche per la forma incerta (Fig. 3). Ciò potrebbe consentire un ulteriore livello di complessità ai dati in futuro, fornendo agli scienziati strumenti migliori per determinare il tipo di eruzione, ad esempio se un'eruzione fosse freatomagmatica (come la seconda fase dell'eruzione di Eyjafjallajökull nel 2010) o magmatica (come le eruzioni laterali dell'Etna).

Lo studio del Dr. Shoji ha dimostrato che le CNN possono essere addestrate a trovare utili, informazioni complesse su minuscole particelle di grande valore geologico. Per aumentare la portata della CNN, tecniche di ingrandimento più avanzate, come la microscopia elettronica, può aggiungere colore e consistenza ai risultati. Dalla collaborazione con i biologi, informatici e geologi, il team di ricerca spera di utilizzare la CNN in modi nuovi. Il mondo microcosmico è sempre stato complesso, ma grazie ad alcuni scienziati che studiano i vulcani, le risposte potrebbero essere più facili da trovare.