Un nuevo modelo de aprendizaje automático que genera ondas sísmicas realistas reducirá el trabajo manual y mejorará la detección de terremotos. según un estudio publicado recientemente en Tierra sólida JGR .

"Para verificar la eficacia de nuestro modelo generativo, lo aplicamos a los datos de campo sísmico recopilados en Oklahoma, "dijo Youzuo Lin, un científico computacional en el grupo de Geofísica del Laboratorio Nacional de Los Alamos e investigador principal del proyecto. "A través de una secuencia de pruebas y puntos de referencia cualitativos y cuantitativos, vimos que nuestro modelo puede generar formas de onda sintéticas de alta calidad y mejorar los algoritmos de detección de terremotos basados ​​en el aprendizaje automático ".

La detección rápida y precisa de terremotos puede ser una tarea desafiante. La detección visual realizada por personas se ha considerado durante mucho tiempo el estándar de oro, pero requiere un trabajo manual intensivo que se adapta pobremente a grandes conjuntos de datos. En años recientes, los métodos de detección automática basados ​​en el aprendizaje automático han mejorado la precisión y la eficiencia de la recopilación de datos; sin embargo, la precisión de esos métodos se basa en el acceso a una gran cantidad de productos de alta calidad, datos de entrenamiento etiquetados, a menudo decenas de miles de registros o más.

Para resolver este dilema de datos, el equipo de investigación desarrolló SeismoGen basado en una red generativa adversaria (GAN), que es un tipo de modelo generativo profundo que puede generar muestras sintéticas de alta calidad en múltiples dominios. En otras palabras, Los modelos generativos profundos entrenan a las máquinas para hacer cosas y crear nuevos datos que podrían pasar como reales.

Una vez entrenado, el modelo SeismoGen es capaz de producir ondas sísmicas realistas de múltiples etiquetas. Cuando se aplica a conjuntos de datos sísmicos reales de la Tierra en Oklahoma, el equipo vio que el aumento de datos de las formas de onda sintéticas generadas por SeismoGen podría usarse para mejorar los algoritmos de detección de terremotos en casos en los que solo se encuentran disponibles pequeñas cantidades de datos de entrenamiento etiquetados.