Durante el último siglo, Los científicos han desarrollado métodos para mapear las estructuras dentro de la corteza terrestre, para identificar recursos como las reservas de petróleo, fuentes geotermales, y, más recientemente, reservorios donde el exceso de dióxido de carbono podría potencialmente ser secuestrado. Lo hacen rastreando ondas sísmicas que son producidas naturalmente por terremotos o artificialmente a través de explosivos o pistolas de aire bajo el agua. La forma en que estas ondas rebotan y se dispersan por la Tierra puede dar a los científicos una idea del tipo de estructuras que se encuentran debajo de la superficie.

Existe un rango estrecho de ondas sísmicas, aquellas que ocurren a bajas frecuencias de alrededor de 1 hercio, que podrían dar a los científicos la imagen más clara de las estructuras subterráneas que abarcan grandes distancias. Pero estas ondas a menudo son ahogadas por el ruidoso zumbido sísmico de la Tierra, y por lo tanto son difíciles de detectar con detectores de corriente. La generación específica de ondas de baja frecuencia requeriría bombear enormes cantidades de energía. Por estas razones, Las ondas sísmicas de baja frecuencia han desaparecido en gran medida en los datos sísmicos generados por humanos.

Ahora, Los investigadores del MIT han ideado una solución alternativa de aprendizaje automático para llenar este vacío.

En un artículo que aparece en la revista Geophysics, describen un método en el que entrenaron una red neuronal en cientos de diferentes terremotos simulados. Cuando los investigadores presentaron a la red entrenada solo las ondas sísmicas de alta frecuencia producidas por un nuevo terremoto simulado, la red neuronal pudo imitar la física de la propagación de ondas y estimar con precisión las ondas de baja frecuencia perdidas del terremoto.

El nuevo método podría permitir a los investigadores sintetizar artificialmente las ondas de baja frecuencia que están ocultas en los datos sísmicos. que luego se puede utilizar para mapear con mayor precisión las estructuras internas de la Tierra.

"El sueño supremo es poder mapear todo el subsuelo, y poder decir por ejemplo, 'esto es exactamente lo que parece debajo de Islandia, ahora ya sabe dónde explorar en busca de fuentes geotérmicas, '", dice el coautor Laurent Demanet, profesor de matemáticas aplicadas en el MIT. "Ahora hemos demostrado que el aprendizaje profundo ofrece una solución para poder completar estas frecuencias faltantes".

El coautor de Demanet es el autor principal Hongyu Sun, estudiante de posgrado en el Departamento de Tierra del MIT, Ciencias Atmosféricas y Planetarias.

Hablando en otra frecuencia

Una red neuronal es un conjunto de algoritmos modelados libremente a partir del funcionamiento neuronal del cerebro humano. Los algoritmos están diseñados para reconocer patrones en los datos que ingresan a la red, y agrupar estos datos en categorías, o etiquetas. Un ejemplo común de una red neuronal implica el procesamiento visual; el modelo está entrenado para clasificar una imagen como un gato o un perro, según los patrones que reconoce entre miles de imágenes que están etiquetadas específicamente como gatos, perros, y otros objetos.

Sun y Demanet adaptaron una red neuronal para el procesamiento de señales, específicamente, para reconocer patrones en datos sísmicos. Razonaron que si una red neuronal se alimentaba con suficientes ejemplos de terremotos, y las formas en que las ondas sísmicas de alta y baja frecuencia resultantes viajan a través de una composición particular de la Tierra, la red debería poder, mientras escriben en su papel, "extrapolar las correlaciones ocultas entre los diferentes componentes de frecuencia" y extrapolar las frecuencias faltantes si a la red sólo se le diera el perfil sísmico parcial de un terremoto.

Los investigadores buscaron entrenar una red neuronal convolucional, o CNN, una clase de redes neuronales profundas que se utiliza a menudo para analizar información visual. Una CNN generalmente consta de una capa de entrada y salida, y múltiples capas ocultas entre, que procesan entradas para identificar correlaciones entre ellas.

Entre sus muchas aplicaciones, Las CNN se han utilizado como un medio para generar "deepfakes" visuales o auditivos, es decir, contenido extrapolado o manipulado a través de redes neuronales y de aprendizaje profundo. para que parezca por ejemplo, como si una mujer hablara con voz de hombre.

"Si una red ha visto suficientes ejemplos de cómo tomar una voz masculina y transformarla en una voz femenina o viceversa, puedes crear una caja sofisticada para hacer eso, "Dice Demanet." Mientras que aquí hacemos que la Tierra hable otra frecuencia, una que originalmente no la atravesó ".

Seguimiento de ondas

Los investigadores entrenaron su red neuronal con entradas que generaron utilizando el modelo de Marmousi, un complejo modelo geofísico bidimensional que simula la forma en que las ondas sísmicas viajan a través de estructuras geológicas de diferente densidad y composición.

En su estudio, el equipo utilizó el modelo para simular nueve "Tierras virtuales, "cada uno con una composición del subsuelo diferente. Para cada modelo de la Tierra, simularon 30 terremotos diferentes, todos con la misma fuerza, pero diferentes ubicaciones de partida. En total, los investigadores generaron cientos de escenarios sísmicos diferentes. Alimentaron la información de casi todas estas simulaciones en su red neuronal y dejaron que la red encontrara correlaciones entre las señales sísmicas.

Después de la sesión de entrenamiento, el equipo introdujo en la red neuronal un nuevo terremoto que simularon en el modelo de la Tierra pero que no incluyeron en los datos de entrenamiento originales. Solo incluyeron la parte de alta frecuencia de la actividad sísmica del terremoto, con la esperanza de que la red neuronal haya aprendido lo suficiente de los datos de entrenamiento para poder inferir las señales de baja frecuencia que faltan a partir de la nueva entrada.

Descubrieron que la red neuronal producía los mismos valores de baja frecuencia que simulaba originalmente el modelo de Marmousi.

"Los resultados son bastante buenos, ", Dice Demanet." Es impresionante ver hasta qué punto la red puede extrapolar las frecuencias faltantes ".

Como ocurre con todas las redes neuronales, el método tiene sus limitaciones. Específicamente, la red neuronal es tan buena como los datos que ingresan en ella. Si una nueva entrada es muy diferente de la mayor parte de los datos de entrenamiento de una red, no hay garantía de que la salida sea precisa. Para hacer frente a esta limitación, los investigadores dicen que planean introducir una variedad más amplia de datos en la red neuronal, como terremotos de diferente intensidad, así como subsuperficies de composición más variada.

A medida que mejoran las predicciones de la red neuronal, el equipo espera poder utilizar el método para extrapolar señales de baja frecuencia a partir de datos sísmicos reales, que luego se puede conectar a modelos sísmicos para mapear con mayor precisión las estructuras geológicas debajo de la superficie de la Tierra. Las bajas frecuencias en particular, son un ingrediente clave para resolver el gran rompecabezas de encontrar el modelo físico correcto.

"El uso de esta red neuronal nos ayudará a encontrar las frecuencias que faltan para, en última instancia, mejorar la imagen del subsuelo y encontrar la composición de la Tierra, "Dice Demanet.

Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre la investigación del MIT, innovación y docencia.