Nel corso dell'ultimo secolo, gli scienziati hanno sviluppato metodi per mappare le strutture all'interno della crosta terrestre, al fine di identificare risorse come riserve di petrolio, fonti geotermiche, e, più recentemente, serbatoi in cui l'anidride carbonica in eccesso potrebbe potenzialmente essere sequestrata. Lo fanno monitorando le onde sismiche prodotte naturalmente dai terremoti o artificialmente tramite esplosivi o pistole ad aria compressa subacquee. Il modo in cui queste onde rimbalzano e si disperdono attraverso la Terra può dare agli scienziati un'idea del tipo di strutture che si trovano sotto la superficie.

Esiste una gamma ristretta di onde sismiche, quelle che si verificano a basse frequenze di circa 1 hertz, che potrebbero fornire agli scienziati l'immagine più chiara delle strutture sotterranee che coprono ampie distanze. Ma queste onde sono spesso soffocate dal rumoroso ronzio sismico della Terra, e sono quindi difficili da rilevare con i rilevatori di corrente. La generazione specifica di onde a bassa frequenza richiederebbe il pompaggio di enormi quantità di energia. Per queste ragioni, le onde sismiche a bassa frequenza sono in gran parte scomparse nei dati sismici generati dall'uomo.

Ora, I ricercatori del MIT hanno escogitato una soluzione di apprendimento automatico per colmare questa lacuna.

In un articolo apparso sulla rivista Geophysics, descrivono un metodo in cui hanno addestrato una rete neurale su centinaia di diversi terremoti simulati. Quando i ricercatori hanno presentato alla rete addestrata solo le onde sismiche ad alta frequenza prodotte da un nuovo terremoto simulato, la rete neurale è stata in grado di imitare la fisica della propagazione delle onde e stimare accuratamente le onde a bassa frequenza mancanti del terremoto.

Il nuovo metodo potrebbe consentire ai ricercatori di sintetizzare artificialmente le onde a bassa frequenza nascoste nei dati sismici, che può quindi essere utilizzato per mappare in modo più accurato le strutture interne della Terra.

"Il sogno finale è riuscire a mappare l'intero sottosuolo, e poter dire, ad esempio, 'questo è esattamente quello che sembra sotto l'Islanda, quindi ora sai dove esplorare le fonti geotermiche, '", afferma il coautore Laurent Demanet, professore di matematica applicata al MIT. "Ora abbiamo dimostrato che il deep learning offre una soluzione per essere in grado di colmare queste frequenze mancanti".

Il coautore di Demanet è l'autore principale Hongyu Sun, uno studente laureato presso il Dipartimento della Terra del MIT, Scienze dell'atmosfera e planetarie.

Parlando un'altra frequenza

Una rete neurale è un insieme di algoritmi modellati liberamente sul funzionamento neurale del cervello umano. Gli algoritmi sono progettati per riconoscere modelli nei dati che vengono immessi nella rete, e raggruppare questi dati in categorie, o etichette. Un esempio comune di rete neurale riguarda l'elaborazione visiva; il modello è addestrato a classificare un'immagine come un gatto o un cane, in base ai modelli che riconosce tra migliaia di immagini che sono specificamente etichettate come gatti, cani, e altri oggetti.

Sun e Demanet hanno adattato una rete neurale per l'elaborazione del segnale, nello specifico, riconoscere modelli nei dati sismici. Pensavano che se una rete neurale fosse stata alimentata con abbastanza esempi di terremoti, e i modi in cui le onde sismiche ad alta e bassa frequenza risultanti viaggiano attraverso una particolare composizione della Terra, la rete dovrebbe essere in grado di mentre scrivono nel loro giornale, "estrarre le correlazioni nascoste tra le diverse componenti di frequenza" ed estrapolare eventuali frequenze mancanti se alla rete fosse stato assegnato solo il profilo sismico parziale di un terremoto.

I ricercatori hanno cercato di addestrare una rete neurale convoluzionale, o CNN, una classe di reti neurali profonde che viene spesso utilizzata per analizzare le informazioni visive. Una CNN molto generalmente è costituita da un livello di input e di output, e più strati nascosti tra, che elaborano gli input per identificare le correlazioni tra di loro.

Tra le loro numerose applicazioni, Le CNN sono state utilizzate come mezzo per generare "deepfake" visivi o uditivi, contenuti estrapolati o manipolati attraverso l'apprendimento profondo e le reti neurali, per farlo sembrare, Per esempio, come se una donna stesse parlando con la voce di un uomo.

"Se una rete ha visto abbastanza esempi di come prendere una voce maschile e trasformarla in una voce femminile o viceversa, puoi creare una scatola sofisticata per farlo, "Dice Demanet. "Mentre qui facciamo parlare la Terra su un'altra frequenza, una che originariamente non l'attraversava".

Monitoraggio delle onde

I ricercatori hanno addestrato la loro rete neurale con input che hanno generato utilizzando il modello Marmousi, un complesso modello geofisico bidimensionale che simula il modo in cui le onde sismiche viaggiano attraverso strutture geologiche di diversa densità e composizione.

Nel loro studio, il team ha utilizzato il modello per simulare nove "Terre virtuali, " ciascuno con una diversa composizione del sottosuolo. Per ogni modello della Terra, hanno simulato 30 diversi terremoti, tutti con la stessa forza, ma diverse località di partenza. In totale, i ricercatori hanno generato centinaia di diversi scenari sismici. Hanno inserito le informazioni di quasi tutte queste simulazioni nella loro rete neurale e hanno lasciato che la rete trovasse le correlazioni tra i segnali sismici.

Dopo la sessione di allenamento, il team ha introdotto nella rete neurale un nuovo terremoto che hanno simulato nel modello della Terra ma non hanno incluso nei dati di addestramento originali. Includevano solo la parte ad alta frequenza dell'attività sismica del terremoto, nella speranza che la rete neurale abbia imparato abbastanza dai dati di addestramento per essere in grado di dedurre i segnali a bassa frequenza mancanti dal nuovo input.

Hanno scoperto che la rete neurale produceva gli stessi valori a bassa frequenza che il modello Marmousi simulava originariamente.

"I risultati sono abbastanza buoni, " Dice Demanet. "È impressionante vedere fino a che punto la rete può estrapolare le frequenze mancanti".

Come per tutte le reti neurali, il metodo ha i suoi limiti. Nello specifico, la rete neurale è valida solo quanto i dati che vi vengono immessi. Se un nuovo input è molto diverso dalla maggior parte dei dati di addestramento di una rete, non c'è alcuna garanzia che l'output sarà accurato. Per contrastare questa limitazione, i ricercatori affermano che intendono introdurre una più ampia varietà di dati nella rete neurale, come terremoti di diversa intensità, nonché sottofondi di composizione più varia.

Mentre migliorano le previsioni della rete neurale, il team spera di poter utilizzare il metodo per estrapolare segnali a bassa frequenza da dati sismici reali, che possono quindi essere collegati a modelli sismici per mappare in modo più accurato le strutture geologiche sotto la superficie terrestre. Le basse frequenze, in particolare, sono un ingrediente chiave per risolvere il grande enigma di trovare il modello fisico corretto.

"L'utilizzo di questa rete neurale ci aiuterà a trovare le frequenze mancanti per migliorare l'immagine del sottosuolo e trovare la composizione della Terra, "dice Demant.

Questa storia è stata ripubblicata per gentile concessione di MIT News (web.mit.edu/newsoffice/), un popolare sito che copre notizie sulla ricerca del MIT, innovazione e didattica.