Штучний інтелект розчув серед міського шуму сигнал від землетрусу

Американські розробники представили нейромережу на ім'я UrbanDenoiser, яку навчили відфільтровувати антропогенний шум у місті від сейсмічних сигналів, що сповіщають про землетрус. Для цього нейромережа послухала приблизно 80 тисяч записів шуму з американського міста Лонг-Біч та понад 33 тисячі зразків сигналів від землетрусів. У підсумку, комбінуючи їх, вченим вдалося навчити UrbanDenoiser пригнічувати міський шум на записах та помічати важливі сигнали. Втім, враховуючи набір даних для навчання, поки нейромережа зможе працювати лише у Каліфорнії. Статтю про UrbanDenoiser вчені опублікували у журналі Science Advances.

Z22 / Wikimedia Commons

Як почути землетрус?

Попри широкий асортимент доступних вченим методів фіксації деформацій земної кори, виявлення землетрусів є досі нерозв'язаним завданням сейсмології. На перший погляд, будь-яка аномалія не має пройти непоміченою, однак впевненого сейсмічного прогнозу годі й намагатися шукати, адже локальні зміни параметрів не завжди ведуть до землетрусів, а неоднорідність середовища не дасть можливості виокремити якусь одну яскраву зміну, яка може змусити замислитися про землетрус.

Ризик землетрусів збільшується у міських умовах через високу щільність населення та розлогу інфраструктуру. Однак ці ж фактори водночас і ускладнюють моніторинг землетрусів. Логістичні труднощі розгортання приладів для моніторингу, а також сейсмічні шуми, які постійно створює місто, ускладнюють і без того складну задачу.

Традиційні методи моніторингу землетрусів, які шукають пов'язані з сейсмічними хвилями події вище певного рівня шуму, можуть просто пропускати не такі яскраві сигнали. І хоча поріг виявлення для невеликих землетрусів можна знизити, покладаючись, наприклад, на локальну подібність сигналів, саме сейсмічне шумозаглушення може значно підвищити чутливість до виявлення потрібних сейсмічних сигналів.

Традиційні методи шумозаглушення засновані на простій спектральній фільтрації сигналів, а тому є неефективними у випадку, якщо сигнал про землетрус перекриватиметься шумами на одному і тому ж частотному діапазоні. Проблему може вирішити шумозаглушення у частотно-часовій області, яке допоможе виявити сейсмічний сигнал на фоні шуму. Однак це потребує складного аналізу великого масиву даних у пошуку потрібних взаємозв'язків між сигналами. Що, втім, є чи не ідеальним завданням для методів машинного навчання, до якого і звернулися розробників зі Стенфордського університету і Китайської академії наук.

Де нейромережі довірили передбачення землетрусів?

Американське місто Лонг-Біч на узбережжі Тихого океану являє собою багате джерело даних про утворюваний містом сейсмічний шум. Його і використали для навчання нейромережі, яка має відрізняти подібні сигнали від сейсмічних ознак реальних землетрусів. Дані про землетруси отримали з області поблизу розлому Сан-Хасінто. Набір даних для навчання UrbanDenoiser включає в себе 80 тисяч зразків міського шуму, як-то від автомобілів і літаків, та 33 751 зразок вібрацій від сейсмічної активності.

Сейсмограма, записана сейсмічною станцією і її очищена нейромережею від антропогенного шуму версія. Lei Yang et al. / Science Advances, 2022

Традиційні методи виявлення шукають імпульси енергії з амплітудами, що перевищують поріг виявлення, і не можуть відрізнити землетрус від інших сигналів, таких як форми хвиль, що генеруються, наприклад, дорожнім рухом. UrbanDenoiser може працювати з даними за весь день, а не тільки вночі, коли вплив антропогенного шуму нижчий. Її роботу перевірили на сейсмічних даних за сім днів, де вона спромоглася зокрема виявити послідовність землетрусів у місті Ла-Хабра з магнітудою головного поштовху 5,1 на сейсмограмах п'яти станцій.

UrbanDenoiser виявила загалом 488 подій за 10 годин, що у 4,5 раза більше, ніж кількість подій у найбільшому архіві сигналів регіональної сейсмічної мережі у Південній Каліфорнії. Проаналізовані нейромережею дані покращили співвідношення сигнал/шум в середньому на 15 децибелів, що втричі більше, ніж у попередніх методах шумозаглушення. Хоча важливо уточнити, що попри те, що UrbanDenoiser змогла відновити сейсмічні сигнали із зашумлених даних, у неї зараз це навряд чи вийде в іншому регіоні через обмежений набір даних для навчання.

Штучний інтелект не вперше бере участь у допомозі науковцям. Наприклад, нейромережі від DeepMind допомагають біологам і передбачають структури білків за кілька днів, що раніше могло займати роки. А також співпрацюють з метеорологами і допомагають передбачати дощ всього за півтори години. Австралійський штучний інтелект помітив рак простати на зображеннях комп'ютерної томографії. А штучний інтелект від розробників з MIT навчився передбачати імовірність ДТП, що можна використати для покращення планів міського планування ще до початку будівництва.