Η τεχνητή νοημοσύνη βελτιώνει την ανίχνευση σεισμών
Η τοποθεσία του σεισμικού πίνακα SPITS, που φαίνεται εδώ, βρίσκεται στο Σβάλμπαρντ της Νορβηγίας. Οι αισθητήρες του πίνακα είναι θαμμένοι στο υπέδαφος. Από: NORSAR/Jan Petter Hansen.
Μια νέα μελέτη δείχνει τα πλεονεκτήματα και τα μειονεκτήματα διαφορετικών μεθόδων εκπαίδευσης μοντέλων.
Ένας ψηλός ανεμόμυλος βρίσκεται στο πρώτο πλάνο ενός άγονου χιονισμένου τοπίου. Ακριβώς πίσω του βρίσκεται ένα μικρό κτίριο με τρία άτομα έξω από αυτό.
Ένα σεισμόμετρο συχνά δεν επαρκεί για την αξιόπιστη ανίχνευση σεισμών ή ανθρώπινης δραστηριότητας, όπως υπόγειες πυρηνικές δοκιμές. Αντίθετα, οι ερευνητές συνδυάζουν μετρήσεις από σεισμόμετρα κατανεμημένα σε μια μικρή γεωγραφική περιοχή για να αποκτήσουν εμπιστοσύνη στην ανάλυσή τους. Η τεχνητή νοημοσύνη (AI) μπορεί να συνδυάσει μετρήσεις από πολλαπλούς αισθητήρες πιο αποτελεσματικά από την κλασική τεχνολογία, επιτρέποντας την πιο αξιόπιστη ανίχνευση ασθενών σεισμικών σημάτων, σύμφωνα με μια νέα μελέτη των Köhler et al.
Οι ερευνητές αξιοποίησαν 30 χρόνια μετρήσεων από σεισμικές συστοιχίες που λειτουργούν από το νορβηγικό ερευνητικό ίδρυμα NORSAR και άλλους φορείς εκμετάλλευσης και εκπαίδευσαν ένα μοντέλο τεχνητής νοημοσύνης με τρεις διαφορετικούς τρόπους για την ανίχνευση σεισμικών σημάτων. Πρώτον, το εκπαίδευσαν σε δεδομένα από έναν μεμονωμένο σταθμό κάθε φορά, στη συνέχεια εφάρμοσαν το μοντέλο και συνδύασαν τα αποτελέσματα από κάθε σταθμό. Δεύτερον, συνδύασαν τα σήματα από πολλαπλούς αισθητήρες στην ίδια συστοιχία χρησιμοποιώντας μια κλασική τεχνική και στη συνέχεια εκπαίδευσαν το μοντέλο σε αυτά τα συνδυασμένα σήματα από πολλαπλούς σταθμούς. Και τρίτον, έδωσαν στο μοντέλο όλα τα δεδομένα από όλους τους σταθμούς συστοιχίας και το άφησαν να αποφασίσει πώς να τα συνδυάσει.
Η δεύτερη μέθοδος (συνδυασμός σημάτων πριν από την εκπαίδευση) ενίσχυσε τα ασθενή σήματα και παρείχε την ακριβέστερη ανίχνευση σήματος και από τις τρεις μεθόδους. Εν τω μεταξύ, το τρίτο μοντέλο (που άφησε το μοντέλο να αποφασίσει πώς να συνδυάσει τα δεδομένα του σταθμού) ήταν η πιο υπολογιστικά αποτελεσματική στρατηγική και βρισκόταν ανάμεσα στις άλλες δύο μεθόδους όσον αφορά την ακρίβεια.
Λαμβάνοντας υπόψη την ανάγκη εξισορρόπησης της ακρίβειας με την ταχύτητα, οι ερευνητές συνιστούν να αφήνεται το μοντέλο να αποφασίζει πώς να συνδυάζει δεδομένα κατά την παρακολούθηση σε πραγματικό χρόνο, αλλά να συνδυάζονται τα δεδομένα πριν ή μετά την εφαρμογή του μοντέλου όταν είναι αποδεκτή μια πιο αργή προσέγγιση.
Ωστόσο, το μοντέλο δεν γενικεύει καλά σε περιοχές εκτός αυτών στις οποίες εκπαιδεύτηκε. Ο λόγος είναι ότι χρησιμοποιήθηκε ένα περιφερειακά περιορισμένο σύνολο δεδομένων εκπαίδευσης. Η εκπαίδευση σε παγκόσμια δεδομένα αναμένεται να βελτιώσει τα αποτελέσματα. Το πρόβλημα παρουσιάστηκε κυρίως για τα κύματα S , ενώ η γενίκευση ανίχνευσης κυμάτων P δεν ήταν πρόβλημα.
Συνολικά, τα αποτελέσματα δείχνουν ότι η Τεχνητή Νοημοσύνη μπορεί να βελτιώσει την σεισμική παρακολούθηση βοηθώντας τους ερευνητές να ανιχνεύουν ασθενή σήματα από σεισμούς, υπόγειες πυρηνικές δοκιμές και άλλη σεισμική δραστηριότητα που διαφορετικά θα ήταν δύσκολο να εντοπιστεί. ( Journal of Geophysical Research: Machine Learning and Computation , https://doi.org/10.1029/2026JH001249 , 2026)
Saima May Sidik ( @saimamay.bsky.social )
https://eos.org/research-spotlights/ai-improves-earthquake-detection
Πηγή: Περιοδικό Γεωφυσικής Έρευνας: Μηχανική Μάθηση και Υπολογισμός
