Umelá inteligencia dokáže pri monitorovaní zeme spojiť údaje z viacerých seizmických senzorov účinnejšie než klasické postupy, a tým spoľahlivejšie zachytiť slabé signály zemetrasení, podzemných jadrových testov aj inej seizmickej aktivity. Ukazuje to práca tímu Köhler et al., ktorý analyzoval 30 rokov meraní zo seizmických polí prevádzkovaných nórskou výskumnou nadáciou NORSAR a ďalšími operátormi.
Jeden seizmometer často nestačí na to, aby sa dal slabý otras alebo iný zdroj vibrácií potvrdiť s dostatočnou istotou. Preto sa v praxi používajú seizmické polia, teda skupiny prístrojov rozmiestnených na menšom území. Práve kombinácia ich záznamov pomáha odlíšiť skutočný signál od šumu.
Výskumníci otestovali tri spôsoby, ako na tieto dáta nasadiť model umelej inteligencie. V prvom prípade model trénovali vždy na údajoch z jednej stanice a výsledky z jednotlivých staníc potom spojili. V druhom prípade najprv skombinovali signály z viacerých senzorov v rámci toho istého poľa klasickou metódou a až potom na takto spracovaných dátach model trénovali. V treťom prístupe dostal model všetky údaje zo všetkých staníc a sám rozhodol, ako ich zlúčiť.
Najpresnejšie výsledky priniesol druhý postup, teda spojenie signálov ešte pred tréningom. Takéto spracovanie zosilnilo slabé signály a z celej trojice metód viedlo k najlepšiemu zachytávaniu seizmických udalostí. Tretí prístup bol zasa výpočtovo najúspornejší. Presnosťou sa zaradil medzi zvyšné dve metódy.
To má praktický význam najmä pri rozhodovaní medzi rýchlosťou a presnosťou. Autori preto odporúčajú, aby sa pri monitorovaní v reálnom čase modelu nechalo, nech si kombináciu dát určí sám. Ak na analýzu nie je taký časový tlak, vhodnejšie môže byť spájať údaje pred použitím modelu alebo po ňom.
Štúdia však ukázala aj obmedzenie. Model sa mimo oblastí, na ktorých sa učil, neprenášal dobre. Dôvodom bol regionálne obmedzený tréningový súbor; autori predpokladajú, že tréning na globálnych dátach by výsledky zlepšil. Tento problém sa týkal najmä S vĺn, kým pri detekcii P vĺn sa slabá prenositeľnosť neukázala ako problém.
V praxi to znamená, že AI môže posilniť seizmický monitoring tam, kde treba zachytiť veľmi slabé alebo nejednoznačné signály. Zároveň však neplatí, že model natrénovaný v jednej oblasti bude automaticky rovnako dobre fungovať všade inde. Pri nasadení do prevádzky preto zostáva dôležité, odkiaľ pochádzajú tréningové dáta a na aký typ signálov je systém pripravený.
Prečo seizmické polia fungujú lepšie než jeden prístroj
Seizmické pole tvorí viacero senzorov umiestnených v menšej geografickej oblasti. Všeobecne platí, že takáto zostava dáva vedcom viac informácií než osamelý prístroj, pretože umožňuje porovnávať, či sa rovnaký signál objavil na viacerých miestach naraz a v podobnom čase. To je dôležité najmä pri slabých otrasoch a pri signáloch, ktoré môže prekrývať miestny šum prostredia.
Snímka zobrazuje: AI Improves Earthquake Detection.
Práve preto sa podobné zostavy používajú nielen pri sledovaní zemetrasení, ale aj pri rozlišovaní iných zdrojov seizmických vĺn. Zdrojový text pripomína aj podzemné jadrové testy, pri ktorých je spoľahlivé rozpoznanie slabého signálu mimoriadne dôležité.
Ako vedci porovnali tri prístupy s umelou inteligenciou
Jadro práce stálo na jednoduchom porovnaní troch stratégií. Rozdiel medzi nimi nebol v tom, či sa AI použije alebo nie, ale v tom, v akom okamihu sa spoja údaje z viacerých staníc. To je pri seizmických dátach podstatné, pretože načasovanie a spôsob kombinácie signálov môžu rozhodnúť o tom, či slabý jav vystúpi nad šum alebo ostane nepovšimnutý.
Snímka zobrazuje: Over a dark blue-green square appear the words Special Report: The State of the Science 1 Year On.
Výsledok naznačuje, že klasické predspracovanie a následný tréning modelu môže byť pre samotnú presnosť veľmi účinné. Zároveň sa ukázalo, že ak model dostane všetky dáta naraz a kombinuje ich sám, získa sa lepšia výpočtová efektivita. To je dôležitý rozdiel pre pracoviská, ktoré musia vyhodnocovať údaje priebežne a vo veľkom objeme.
Kde je hranica medzi presnosťou a rýchlosťou
Pri seizmickom monitoringu nejde len o to, čo je najpresnejšie v laboratórnom porovnaní. Rovnako dôležité je, ako rýchlo sa systém dostane k použiteľnému výsledku. Zdroj preto neponúka jednu univerzálnu odpoveď, ale praktické odporúčanie podľa situácie.
Ak je prioritou monitoring v reálnom čase, vhodnejšie je nechať model, aby si spôsob kombinácie dát určil sám. Ak je možné akceptovať pomalší postup, lepšiu presnosť môže priniesť spojenie dát pred tréningom alebo po aplikácii modelu. Takéto rozdelenie je cenné najmä pre prevádzkové systémy, kde treba neustále vyvažovať kvalitu detekcie a dostupný výpočtový výkon.
Čo ukázal problém s prenosom modelu do iných oblastí
Jedno z najdôležitejších upozornení tejto práce sa týka prenositeľnosti modelu. Výsledky sa nezhoršili preto, že by AI ako taká nefungovala, ale preto, že model sa učil na regionálne obmedzených dátach. Keď sa podobné systémy skúšajú mimo prostredia, ktoré poznajú, často narazia na odlišné geologické podmienky, iný šum aj iné charakteristiky signálu.
Autori očakávajú, že tréning na globálnych dátach by mal výsledky zlepšiť. Zaujímavé je aj to, že problém sa týkal najmä S vĺn, zatiaľ čo pri P vlnách sa slabá generalizácia podľa zdroja neukázala ako problém. To naznačuje, že rôzne typy seizmických vĺn môžu klásť na model odlišné nároky.
Prečo na tom záleží pre vedu aj bezpečnostný monitoring
Schopnosť zachytiť slabé seizmické signály má širší význam než len presnejšie katalogizovanie zemetrasení. Všeobecne môže pomôcť lepšie mapovať menšie udalosti, ktoré by inak zanikli v šume, a tým spresňovať obraz o seizmickej aktivite v danej oblasti. V bezpečnostnom kontexte je zasa dôležité, že rovnaký princíp môže podporiť rozpoznávanie podzemných jadrových testov alebo iných neobvyklých zdrojov otrasov.
Zdroj pritom nehovorí o úplnej náhrade doterajších metód. Skôr ukazuje, že umelá inteligencia môže byť užitočným nástrojom navyše, ak sa správne zvolí spôsob práce s dátami a ak sa berú do úvahy limity tréningu. Práve v tom je hlavný prínos štúdie: nie v sľube univerzálneho riešenia, ale v praktickejšom nastavení seizmického monitorovania.
Na poskytovanie tých najlepších skúseností používame technológie, ako sú súbory cookie na ukladanie a/alebo prístup k informáciám o zariadení. Súhlas s týmito technológiami nám umožní spracovávať údaje, ako je správanie pri prehliadaní alebo jedinečné ID na tejto stránke. Nesúhlas alebo odvolanie súhlasu môže nepriaznivo ovplyvniť určité vlastnosti a funkcie.
Funkčné
Vždy aktívny
Technické uloženie alebo prístup sú nevyhnutne potrebné na legitímny účel umožnenia použitia konkrétnej služby, ktorú si účastník alebo používateľ výslovne vyžiadal, alebo na jediný účel vykonania prenosu komunikácie cez elektronickú komunikačnú sieť.
Predvoľby
Technické uloženie alebo prístup je potrebný na legitímny účel ukladania preferencií, ktoré si účastník alebo používateľ nepožaduje.
Štatistiky
Technické úložisko alebo prístup, ktorý sa používa výlučne na štatistické účely.Technické úložisko alebo prístup, ktorý sa používa výlučne na anonymné štatistické účely. Bez predvolania, dobrovoľného plnenia zo strany vášho poskytovateľa internetových služieb alebo dodatočných záznamov od tretej strany, informácie uložené alebo získané len na tento účel sa zvyčajne nedajú použiť na vašu identifikáciu.
Marketing
Technické úložisko alebo prístup sú potrebné na vytvorenie používateľských profilov na odosielanie reklamy alebo sledovanie používateľa na webovej stránke alebo na viacerých webových stránkach na podobné marketingové účely.
