Cientistas liderados por Daigo Shoji do Earth-Life Science Institute (Instituto de Tecnologia de Tóquio) mostraram que um tipo de inteligência artificial chamada rede neural convolucional pode ser treinada para categorizar as formas das partículas de cinza vulcânica. Como as formas das partículas vulcânicas estão ligadas ao tipo de erupção vulcânica, esta categorização pode fornecer informações sobre erupções e auxiliar nos esforços de mitigação de riscos vulcânicos.

As erupções vulcânicas vêm em muitas formas, das erupções explosivas do Eyjafjallajökull da Islândia em 2010, que interrompeu as viagens aéreas na Europa por uma semana, para os fluxos de lava relativamente tranquilos das ilhas havaianas em maio de 2018. Da mesma forma, essas erupções têm diferentes ameaças associadas, de nuvens de cinzas a lava. As vezes, o mecanismo de erupção (por exemplo, interação de água e magma) não é óbvio, e precisa ser cuidadosamente avaliada por vulcanologistas para determinar ameaças e respostas futuras. Vulcanologistas observam atentamente as cinzas produzidas por erupções (por exemplo, Figura 1), já que diferentes erupções produzem partículas de cinzas de formas variadas. Mas como olhar para milhares de minúsculas amostras objetivamente para produzir uma imagem coesa da erupção? A classificação visual é o método usual, mas é lento, subjetivo, e limitado pela disponibilidade de vulcanologistas experientes. Os programas de computador convencionais são rápidos em classificar as partículas por parâmetros objetivos, como circularidade, mas a seleção de parâmetros permanece a tarefa porque formas simples categorizadas por um único parâmetro raramente são encontradas na natureza.

Entre na rede neural convolucional (CNN), uma inteligência artificial projetada para analisar imagens. Ao contrário de outros programas de computador, A CNN aprende organicamente como um humano, mas milhares de vezes mais rápido. O programa também pode ser compartilhado, eliminando a necessidade de dezenas de geólogos treinados na área. Para este experimento, o programa foi alimentado com imagens de centenas de partículas com uma das quatro formas basais, que são criados por diferentes mecanismos de erupção (exemplos são mostrados na Fig. 2). Partículas de cinzas são bloqueadas quando as rochas são fragmentadas por erupções, vesicular quando a lava é borbulhante, alongado quando as partículas são fundidas e esmagadas, e arredondado a partir da tensão superficial dos fluidos, como gotas de água. O experimento ensinou com sucesso o programa a classificar as formas basais com uma taxa de sucesso de 92 por cento, e atribuir razões de probabilidade para cada partícula, mesmo para a forma incerta (Fig. 3). Isso pode permitir uma camada adicional de complexidade para os dados no futuro, fornecendo aos cientistas melhores ferramentas para determinar o tipo de erupção, como se uma erupção foi freatomagmática (como a segunda fase da erupção Eyjafjallajökull em 2010) ou magmática (como erupções de flanco do Monte Etna).

O estudo do Dr. Shoji mostrou que CNNs podem ser treinados para achar útil, informações complexas sobre partículas minúsculas com grande valor geológico. Para aumentar o alcance da CNN, técnicas de ampliação mais avançadas, como microscopia eletrônica, pode adicionar cor e textura aos resultados. Da colaboração com biólogos, cientistas da computação e geólogos, a equipe de pesquisa espera usar a CNN de novas maneiras. O mundo microcósmico sempre foi complexo, mas graças a alguns cientistas que estudam vulcões, as respostas podem ser mais fáceis de encontrar.