Posun v seizmológii vďaka AI

5. marca 202120. októbra 2021 Ing. Barbora Tináková

Úvodný obrázok zdroj: tumisu, Pixabay

Využitie moderných technológií zjednodušuje vykonávanú prácu. Stále sa hľadajú efektívnejšie prístupy, avšak, nie v každej oblasti zmena, hoci aj potrebná, nastane. Takým prípadom je aj seizmológia. Predstavte si, že od 80. rokov sa v algoritmoch detegujúcich zemetrasenie skoro nič nezmenilo. Vedci zo Standfordskej univerzity prišli s riešením využívajúcim umelú inteligenciu, ktorý dosiahol obdivuhodné výsledky.

Ide to aj inak

Presedieť dni a noci za počítačom je viacerým známe. Niekedy však príde zlom a pýtate sa, fakt sa to nedá inak? Nuž v tomto prípade to šlo. Sledovať 6 mesiacov seizmologické dáta posunulo vedeckého pracovníka spomínanej univerzity k myšlienke vymyslieť iný prístup. Následným krokom bolo zapojiť na sledovanie dát umelú inteligenciu. Tak vznikol Earthquake transformer (EQT).

Je jednoduché pracovať s niečím, čo doslova cíti celá krajina. Seizmológovia by však dáta získané z menších otrasov vedeli použiť na sledovanie vývoja zemetrasení. Ich vznik, zastavenie, ale aj šírenie jednotlivých otrasov. Disponovať takýmito znalosťami by v budúcnosti mohlo znamenať zachrániť nejeden ľudský život.

zdroj: Martin Redlin, Pixabay

Vlna ako vlna

Neurónová sieť vie spracovať ako obraz, tak aj zvuk. Stačí si spomenúť na hlasových asistentov, ktorí si vďaka NLP zvukové vlny „rozdelia na drobné“ a so slovami ako malými úsekmi ďalej pracujú. A práve podobnosť zvukovej a seizmickej vlny pomohla k nápadu využiť v seizmológii hlboké strojové učenie. Bolo nutné vysledovať prvotný signál zemetrasenia, ako aj identifikovať dva hlavné druhy vĺn označované ako P- (pozdĺžne) a S-vlny (priečne). Keď pôjdeme trochu hlbšie, na vyriešenie týchto dvoch problémov EQT využíva aj LSTM, dopredné vrstvy či 1D konvolúciu. Ich sieť obsahovala 56 vrstiev a znalci neurónových sietí si detailnejšiu architektúru siete môžu pozrieť TU.

Hlavnú úlohu hral ale čas, od ktorého sa odvíjala presnosť výsledkov. Neskoro zameraná vlna by znamenala posun aj o niekoľko desiatok metrov.

Vo svojej práci univerzitný tím porovnával EQT s inými riešeniami. Napriek tomu, že nebol trénovaný na rozsiahlom datasete, čo ho posúva do popredia, mohol by priniesť úžitok práve pri sledovaní priečnych S-vĺn. Vedci zo Standfordskej univerzity by tak mohli svojím AI riešením posunúť seizmológiu do 21. storočia.