La técnica puede ayudar a los científicos a mapear con mayor precisión vastas estructuras geológicas subterráneas.
Durante el último siglo, los científicos han desarrollado métodos para mapear las estructuras dentro de la corteza terrestre, con el fin de identificar recursos como reservas de petróleo, fuentes geotérmicas y, más recientemente, depósitos donde el exceso de dióxido de carbono podría ser potencialmente secuestrado. Lo hacen mediante el seguimiento de las ondas sísmicas que se producen de forma natural por los terremotos o artificialmente a través de explosivos o pistolas de aire submarinas. 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 brindar a los científicos la imagen más clara de las estructuras subterráneas que se extienden a 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 los detectores de corriente. Específicamente, generar ondas de baja frecuencia requeriría bombear enormes cantidades de energía. Por estas razones, las ondas sísmicas de baja frecuencia se han perdido 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 terremotos simulados diferentes. Cuando los investigadores presentaron a la red entrenada solo las ondas sísmicas de alta frecuencia producidas a partir de 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 faltantes 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 pueden usarse para mapear con mayor precisión las estructuras internas de la Tierra.
«El último sueño es poder mapear todo el subsuelo y poder decir, por ejemplo, ‘esto es exactamente lo que parece debajo de Islandia, así que ahora sabes dónde explorar en busca de fuentes geotérmicas'», dice co- autor Laurent Demanet, profesor de matemáticas aplicadas en el MIT. “Ahora hemos demostrado que el aprendizaje profundo ofrece una solución para poder completar estas frecuencias que faltan”.
El coautor de Demanet es el autor principal Hongyu Sun, estudiante graduado en el Departamento de Ciencias Planetarias, Atmosféricas y de la Tierra del MIT.
Hablando 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 se introducen en la red y agrupar estos datos en categorías o etiquetas. Un ejemplo común de una red neuronal involucra 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 específicamente etiquetadas 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 recibía 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 ser capaz de, como escriben en su artículo, «explorar las correlaciones ocultas entre los diferentes componentes de frecuencia» y extrapolar las frecuencias faltantes si la red solo tuviera un perfil sísmico parcial de un terremoto.
Los investigadores buscaron entrenar una red neuronal convolucional, o CNN, una clase de redes neuronales profundas que a menudo se usa para analizar información visual. Una CNN generalmente consiste en una capa de entrada y salida, y múltiples capas ocultas entre ellas, que procesan las entradas para identificar las correlaciones entre ellas.
Entre sus muchas aplicaciones, las CNN se han utilizado como un medio para generar «falsificaciones profundas» visuales o auditivas, contenido que se ha extrapolado o manipulado a través de redes neuronales y de aprendizaje profundo, para que parezca, por ejemplo, como si una mujer estuviera hablando. 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, puede crear una caja sofisticada para hacerlo”, dice Demanet. “Mientras que aquí hacemos que la Tierra hable en otra frecuencia, una que originalmente no pasó por ella”.
Seguimiento de ondas
Los investigadores entrenaron su red neuronal con entradas que generaron utilizando el modelo Marmousi, un modelo geofísico bidimensional complejo que simula la forma en que las ondas sísmicas viajan a través de estructuras geológicas de densidad y composición variables.
En su estudio, el equipo usó el modelo para simular nueve «Tierras virtuales», cada una con una composición diferente del subsuelo. Para cada modelo de la Tierra, simularon 30 terremotos diferentes, todos con la misma fuerza, pero con diferentes lugares de inicio. En total, los investigadores generaron cientos de escenarios sísmicos diferentes. Alimentaron la información de casi todas estas simulaciones en su red neuronal y permitieron 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 aprendiera lo suficiente de los datos de entrenamiento para poder inferir las señales de baja frecuencia faltantes de la nueva entrada.
Descubrieron que la red neuronal producía los mismos valores de baja frecuencia que simuló originalmente el modelo de Marmousi.
“Los resultados son bastante buenos”, dice Demanet. «Es impresionante ver hasta qué punto la red puede extrapolar las frecuencias que faltan».
Como con todas las redes neuronales, el método tiene sus limitaciones. Específicamente, la red neuronal es tan buena como los datos que se alimentan 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 lidiar con esta limitación, los investigadores dicen que planean introducir una variedad más amplia de datos en la red neuronal, como terremotos de diferentes fuerzas, 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 de datos sísmicos reales, que luego se pueden 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 investigación fue apoyada, en parte, por Total SA y la Oficina de Investigación Científica de la Fuerza Aérea de EE. UU.
