Ao longo do último século, cientistas desenvolveram métodos para mapear as estruturas dentro da crosta terrestre, a fim de identificar recursos como reservas de petróleo, fontes geotérmicas, e, mais recentemente, reservatórios onde o excesso de dióxido de carbono poderia ser sequestrado. Eles fazem isso rastreando ondas sísmicas que são produzidas naturalmente por terremotos ou artificialmente por meio de explosivos ou canhões de ar subaquáticos. A maneira como essas ondas ricocheteiam e se espalham pela Terra pode dar aos cientistas uma ideia do tipo de estruturas que se encontram abaixo da superfície.

Há uma estreita faixa de ondas sísmicas - aquelas que ocorrem em baixas frequências de cerca de 1 hertz - que podem dar aos cientistas a imagem mais nítida de estruturas subterrâneas abrangendo grandes distâncias. Mas essas ondas são muitas vezes abafadas pelo zumbido sísmico barulhento da Terra, e são, portanto, difíceis de detectar com os detectores atuais. A geração específica de ondas de baixa frequência exigiria o bombeamento de enormes quantidades de energia. Por estas razões, ondas sísmicas de baixa frequência desapareceram em grande parte nos dados sísmicos gerados por humanos.

Agora, Os pesquisadores do MIT criaram uma solução alternativa de aprendizado de máquina para preencher essa lacuna.

Em um artigo publicado na revista Geophysics, eles descrevem um método no qual treinaram uma rede neural em centenas de diferentes terremotos simulados. Quando os pesquisadores apresentaram à rede treinada apenas as ondas sísmicas de alta frequência produzidas a partir de um novo terremoto simulado, a rede neural foi capaz de imitar a física da propagação das ondas e estimar com precisão as ondas de baixa frequência que faltam no terremoto.

O novo método pode permitir aos pesquisadores sintetizar artificialmente as ondas de baixa frequência que estão escondidas nos dados sísmicos, que pode então ser usado para mapear com mais precisão as estruturas internas da Terra.

"O maior sonho é ser capaz de mapear toda a subsuperfície, e ser capaz de dizer, por exemplo, 'isto é exatamente o que parece debaixo da Islândia, então agora você sabe onde explorar as fontes geotérmicas, '"diz o co-autor Laurent Demanet, professor de matemática aplicada no MIT. "Agora, mostramos que o aprendizado profundo oferece uma solução para preencher essas frequências ausentes."

O co-autor de Demanet é o autor principal Hongyu Sun, um estudante de pós-graduação no Departamento da Terra do MIT, Ciências Atmosféricas e Planetárias.

Falando outra frequência

Uma rede neural é um conjunto de algoritmos modelados vagamente a partir do funcionamento neural do cérebro humano. Os algoritmos são projetados para reconhecer padrões nos dados que são alimentados na rede, e agrupar esses dados em categorias, ou rótulos. Um exemplo comum de rede neural envolve processamento visual; o modelo é treinado para classificar uma imagem como um gato ou um cachorro, com base nos padrões que reconhece entre milhares de imagens que são especificamente rotuladas como gatos, cachorros, e outros objetos.

Sun e Demanet adaptaram uma rede neural para processamento de sinal, especificamente, para reconhecer padrões em dados sísmicos. Eles raciocinaram que, se uma rede neural fosse alimentada com exemplos suficientes de terremotos, e as maneiras pelas quais as ondas sísmicas de alta e baixa frequência resultantes viajam através de uma composição particular da Terra, a rede deve ser capaz de, enquanto escrevem em seu papel, "minar as correlações ocultas entre os diferentes componentes de frequência" e extrapolar quaisquer frequências ausentes se a rede tivesse apenas o perfil sísmico parcial de um terremoto.

Os pesquisadores procuraram treinar uma rede neural convolucional, ou CNN, uma classe de redes neurais profundas que costuma ser usada para analisar informações visuais. Uma CNN geralmente consiste em uma camada de entrada e saída, e várias camadas ocultas entre, que processam entradas para identificar correlações entre eles.

Entre suas muitas aplicações, CNNs têm sido usados ​​como um meio de gerar "deepfakes" visuais ou auditivos - conteúdo que foi extrapolado ou manipulado por meio de aprendizagem profunda e redes neurais, para fazer parecer, por exemplo, como se uma mulher estivesse falando com a voz de um homem.

"Se uma rede viu exemplos suficientes de como pegar uma voz masculina e transformá-la em feminina ou vice-versa, você pode criar uma caixa sofisticada para fazer isso, "Demanet diz." Enquanto aqui fazemos a Terra falar outra frequência - uma que originalmente não passava por ela. "

Rastreamento de ondas

Os pesquisadores treinaram sua rede neural com entradas que eles geraram usando o modelo Marmousi, um modelo geofísico bidimensional complexo que simula a forma como as ondas sísmicas viajam através de estruturas geológicas de densidade e composição variadas.

Em seu estudo, a equipe usou o modelo para simular nove "Terras virtuais, "cada um com uma composição de subsuperfície diferente. Para cada modelo da Terra, eles simularam 30 terremotos diferentes, todos com a mesma força, mas diferentes locais de partida. No total, os pesquisadores geraram centenas de cenários sísmicos diferentes. Eles alimentaram as informações de quase todas essas simulações em sua rede neural e deixaram a rede encontrar correlações entre os sinais sísmicos.

Após a sessão de treinamento, a equipe apresentou à rede neural um novo terremoto que simularam no modelo da Terra, mas não incluiu nos dados de treinamento originais. Eles incluíram apenas a parte de alta frequência da atividade sísmica do terremoto, na esperança de que a rede neural aprendeu o suficiente com os dados de treinamento para ser capaz de inferir os sinais de baixa frequência ausentes da nova entrada.

Eles descobriram que a rede neural produziu os mesmos valores de baixa frequência que o modelo de Marmousi originalmente simulou.

"Os resultados são bastante bons, "Demanet diz." É impressionante ver até onde a rede pode extrapolar para as frequências ausentes. "

Tal como acontece com todas as redes neurais, o método tem suas limitações. Especificamente, a rede neural é tão boa quanto os dados que são inseridos nela. Se uma nova entrada for totalmente diferente da maioria dos dados de treinamento de uma rede, não há garantia de que a saída será precisa. Para lidar com essa limitação, os pesquisadores afirmam que planejam introduzir uma variedade maior de dados na rede neural, como terremotos de diferentes intensidades, bem como subsuperfícies de composição mais variada.

À medida que melhoram as previsões da rede neural, a equipe espera ser capaz de usar o método para extrapolar sinais de baixa frequência de dados sísmicos reais, que pode então ser conectado a modelos sísmicos para mapear com mais precisão as estruturas geológicas abaixo da superfície da Terra. As baixas frequências, em particular, são um ingrediente chave para resolver o grande quebra-cabeça de encontrar o modelo físico correto.

"Usar esta rede neural nos ajudará a encontrar as frequências ausentes para melhorar a imagem do subsolo e encontrar a composição da Terra, "Demanet diz.

Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.