Sismología de aprendizaje profundo | Ciencias

ANTECEDENTES

La sismología es el estudio de las ondas sísmicas para comprender su origen; el más obvio, el deslizamiento repentino de fallas en los terremotos, pero también las explosiones, las erupciones volcánicas, los glaciares, los deslizamientos de tierra, las olas del océano, el tráfico vehicular, los aviones, los trenes, el viento, las pistolas de aire comprimido y las tormentas eléctricas. por ejemplo. La sismología usa esas mismas ondas para inferir la estructura y propiedades de los interiores planetarios. Debido a que las fuentes pueden generar ondas en cualquier momento, el movimiento sísmico del suelo se registra continuamente, a tasas de muestreo típicas de 100 puntos por segundo, para tres componentes de movimiento y en matrices que pueden incluir miles de sensores. Aunque la sismología es claramente una ciencia rica en datos, a menudo también es una ciencia basada en datos, con nuevos fenómenos y comportamientos inesperados descubiertos con regularidad. Y para al menos algunas tareas, el trabajo cuidadoso y minucioso de los analistas sísmicos durante décadas y en todo el mundo también ha hecho de la sismología una ciencia rica en etiquetas de datos. Esta faceta lo convierte en un terreno fértil para el aprendizaje profundo, que ha entrado en casi todos los subcampos de la sismología y supera a los enfoques clásicos, a menudo de manera espectacular, para muchas tareas sismológicas.

AVANCES

Identificación de ondas sísmicas y tiempo de inicio, determinación de la primera ruptura para sísmica PAGS y S Las ondas dentro de los datos sísmicos continuos son fundamentales para la sismología y se adaptan particularmente bien al aprendizaje profundo debido a la disponibilidad de conjuntos de datos masivos y etiquetados. Ha recibido una atención especial y eso ha llevado, por ejemplo, al desarrollo de catálogos de terremotos basados ​​en el aprendizaje profundo que pueden presentar más de un orden de magnitud de eventos que están presentes en los catálogos convencionales. El aprendizaje profundo ha demostrado la capacidad de superar los enfoques clásicos para otras tareas sismológicas importantes, incluida la discriminación de terremotos de explosiones y otras fuentes, separación de señales sísmicas del ruido de fondo, procesamiento e interpretación de imágenes sísmicas e inversión del modelo terrestre.

PANORAMA

El desarrollo de sensores cada vez más rentables y las tecnologías emergentes de detección del movimiento del suelo, como el cable de fibra óptica y los acelerómetros en dispositivos inteligentes, presagian una aceleración continua de los volúmenes de datos sismológicos, por lo que es probable que el aprendizaje profundo se vuelva esencial para el futuro de la sismología. La capacidad de mapeo no lineal del aprendizaje profundo, el modelado de datos secuenciales, la extracción automática de características, la reducción de la dimensionalidad y la reparametrización son todas ventajas para procesar datos sísmicos de alta dimensión, particularmente porque esos datos son ruidosos y, desde el punto de vista de la inferencia matemática, incompletos. El aprendizaje profundo para el descubrimiento científico y la extracción directa de información sobre los procesos sismológicos claramente recién está comenzando.

Los aspectos de la sismología plantean desafíos adicionales interesantes para el aprendizaje profundo. Muchos de los problemas más importantes en la sismología de terremotos, como el pronóstico de terremotos, la predicción del movimiento del suelo y la alerta rápida de terremotos, se relacionan con terremotos grandes y dañinos que son (afortunadamente) raros. Esa rareza plantea un desafío fundamental para los métodos hambrientos de datos de aprendizaje profundo: ¿Cómo podemos entrenar modelos confiables y cómo los validamos lo suficientemente bien como para confiar en ellos cuando los datos son escasos y las oportunidades para probar modelos son poco frecuentes? Además, ¿cómo podemos poner en práctica las técnicas de aprendizaje profundo en tal situación, cuando los mecanismos por los que hacen predicciones a partir de los datos pueden no explicarse fácilmente y las consecuencias de los modelos incorrectos son altas? La incorporación del conocimiento del dominio a través del aprendizaje profundo explicable y basado en la física y el establecimiento de protocolos de evaluación y evaluación comparativa estándar ayudarán a garantizar el progreso, al igual que la aparición incipiente de un ecosistema de ciencia de datos sismológicos. En términos más generales, una combinación de alfabetización en ciencia de datos para geocientíficos, así como la contratación de experiencia en ciencia de datos, ayudará a garantizar que la sismología de aprendizaje profundo alcance su máximo potencial.