Los científicos que buscan comprender el mecanismo de relojería interno de la Tierra han desplegado ejércitos de sensores que escuchan signos de deslices, retumbos, exhala y otras perturbaciones que emanan de las fallas más profundas del planeta a sus volcanes más altos. "Medimos el movimiento del suelo de forma continua, típicamente recolectando 100 muestras por segundo en cientos o miles de instrumentos, ", dijo el geofísico de Stanford Gregory Beroza." Es solo un gran flujo de datos ".

Sin embargo, la capacidad de los científicos para extraer significado de esta información no ha ido a la par.

La tierra solida, los océanos y la atmósfera juntos forman un geosistema en el que física, Los procesos biológicos y químicos interactúan en escalas que van desde milisegundos hasta miles de millones de años, y del tamaño de un solo átomo al de un planeta entero. "Todas estas cosas están acopladas en algún nivel, "explicó Beroza, el profesor Wayne Loel en la Escuela de la Tierra, Energía y Ciencias Ambientales (Stanford Earth). "No entendemos los sistemas individuales, y no entendemos sus relaciones entre ellos ".

Ahora, como describen Beroza y sus coautores en un artículo publicado el 21 de marzo en la revista Ciencias , algoritmos de aprendizaje automático entrenados para explorar la estructura de flujos de datos geológicos en constante expansión, se basan en observaciones a medida que avanzan y dan sentido a cada vez más complejas, Las simulaciones en expansión están ayudando a los científicos a responder preguntas persistentes sobre cómo funciona la Tierra.

De la automatización al descubrimiento

"Cuando comencé a colaborar con geocientíficos hace cinco años, hubo interés y curiosidad en torno al aprendizaje automático y la ciencia de datos, "recordó Karianne Bergen, autora principal del artículo e investigadora de la Harvard Data Science Initiative que obtuvo su doctorado en ingeniería computacional y matemática de Stanford. "Pero la comunidad de investigadores que utilizan el aprendizaje automático para aplicaciones de geociencias era relativamente pequeña".

Eso está cambiando rápidamente. Las aplicaciones más sencillas del aprendizaje automático en las ciencias de la Tierra automatizan tareas repetitivas como categorizar las partículas de ceniza volcánica e identificar el pico en un conjunto de movimientos sísmicos que indican el inicio de un terremoto. Este tipo de aprendizaje automático es similar a las aplicaciones en otros campos que podrían entrenar un algoritmo para detectar el cáncer en imágenes médicas basándose en un conjunto de ejemplos etiquetados por un médico. Los algoritmos más avanzados que desbloquean nuevos descubrimientos en las ciencias de la Tierra y más allá pueden comenzar a reconocer patrones sin trabajar a partir de ejemplos conocidos.

"Supongamos que desarrollamos un detector de terremotos basado en terremotos conocidos. Encontrará terremotos que parecen terremotos conocidos, ", Explicó Beroza." Sería mucho más emocionante encontrar terremotos que no se parecen a los terremotos conocidos ". Beroza y sus colegas de Stanford han podido hacer precisamente eso mediante el uso de un algoritmo que marca cualquier firma repetida en los conjuntos de ondulaciones. recogidos por sismógrafos, los instrumentos que registran los temblores de los terremotos, en lugar de buscar solo los patrones creados por los terremotos que los científicos han catalogado previamente.

Ambos tipos de algoritmos, aquellos con etiquetado explícito en los datos de entrenamiento y aquellos sin él, pueden estructurarse como redes neuronales profundas, que actúan como un sistema de muchas capas en el que los resultados de alguna transformación de datos en una capa sirven como entrada para un nuevo cálculo en la siguiente capa. Entre otros esfuerzos señalados en el documento, Estos tipos de redes han permitido a los geocientíficos calcular rápidamente la velocidad de las ondas sísmicas, un cálculo crítico para estimar los tiempos de llegada de los terremotos, y distinguir entre las sacudidas causadas por el movimiento natural de la Tierra y las explosiones.

Una mímica imperfecta

Además de detectar patrones pasados ​​por alto, El aprendizaje automático también puede ayudar a controlar conjuntos de datos abrumadores. Modelando cómo un terremoto afecta la parte viscosa de la capa en el interior de la Tierra que se extiende cientos de millas por debajo de la corteza más externa del planeta, por ejemplo, requiere una cantidad insuperable de potencia informática. Pero los algoritmos de aprendizaje automático pueden encontrar atajos, esencialmente imitando soluciones a ecuaciones más detalladas con menos computación.

"Podemos obtener una aproximación bastante buena a la realidad, que podremos aplicar a conjuntos de datos tan grandes o simulaciones tan extensas que las computadoras más potentes disponibles no podrían procesarlos, "Dijo Beroza.

Y lo que es más, cualquier deficiencia en la precisión de las soluciones basadas en inteligencia artificial para estas ecuaciones a menudo palidece en importancia en comparación con la influencia de las propias decisiones de los científicos sobre cómo configurar los cálculos en primer lugar. "Nuestra mayor fuente de error no proviene de nuestra incapacidad para resolver las ecuaciones, "Viene de saber cómo es realmente la estructura interior de la Tierra y los parámetros que deben entrar en esas ecuaciones", dijo Beroza.

Ciencia abierta

Para estar seguro, el aprendizaje automático está lejos de ser una herramienta perfecta para responder las preguntas más espinosas de las ciencias de la Tierra. "Los algoritmos de aprendizaje automático más potentes suelen requerir grandes conjuntos de datos etiquetados, que no están disponibles para muchas aplicaciones de geociencias, ", Dijo Bergen. Si los científicos entrenan un algoritmo con datos insuficientes o etiquetados incorrectamente, ella advirtió, puede hacer que los modelos reproduzcan sesgos que no necesariamente reflejan la realidad.

Este tipo de error puede combatirse en parte mediante una mayor transparencia y la creación de conjuntos de datos "de referencia". lo que, según los investigadores, puede estimular la competencia y permitir comparaciones entre manzanas y manzanas del rendimiento del algoritmo. Según Bergen, "Adopción de principios de ciencia abierta, incluido el intercambio de datos y código, ayudará a acelerar la investigación y también permitirá que la comunidad identifique y aborde las limitaciones o debilidades de los enfoques propuestos ".

La impaciencia humana puede ser más difícil de controlar. "Lo que me preocupa es que la gente vaya a utilizar la IA de forma ingenua, ", Dijo Beroza." Podrías imaginar a alguien entrenando un red neuronal profunda para hacer la predicción de terremotos, y luego no probar el método de una manera que valide adecuadamente su valor predictivo ".