神经网络地震数据中发现的隐藏振动

麻省理工学院研究人员使用神经网络来识别隐藏在地震数据中的低频地震波。该技术可以帮助科学家更准确地映射地球的内部。

在上个世纪，科学家们已经制定了映射地壳内部结构的方法，以识别石油储量，地热源以及最近，可能被隔离有过量二氧化碳的水库等资源。它们通过跟踪地震或人工通过爆炸物或水下空气枪来跟踪自然产生的地震波。这些波通过地球反弹和散射的方式可以给科学家们一个介绍在表面下方的结构类型。

存在狭窄的地震波范围 - 在大约1赫兹的低频处发生的地震波 - 这可以给科学家提供跨越宽度宽阔的地下结构的最清晰的图像。但是这些波浪往往被地球的嘈杂的地震嗡嗡声淹没，因此难以利用当前探测器。具体地产生低频波需要泵送巨大的能量。由于这些原因，低频地震波在人类产生的地震数据中缺失缺失。

现在麻省理工学院研究人员已经提出了一台机器学习替代方法来填补这个差距。

在GeophySics期间出现的纸张中，他们描述了一种方法，他们培训了数百种不同模拟地震的神经网络。当研究人员只有由新的模拟地震产生的高频地震波提出训练有素的网络时，神经网络能够模仿波传播的物理学，准确地估计地震的缺失的低频波。

新方法可以允许研究人员人工地合成隐藏在地震数据中的低频波，然后可以用来更准确地映射地球的内部结构。

“最终的梦想是能够映射整个地下，并且能够说，例如，这正是它看起来像在冰岛下面的样子，所以现在你知道在哪里探索地热来源，”“作者Laurent Demanet，麻省理工学院应用数学教授。“现在我们已经表明，深度学习提供了能够填补这些缺失频率的解决方案。”

Demanet的共同作者是MIT系，大气和行星科学部的研究生弘扬鸿宇孙鸿宇Sun。

谈到另一个频率

神经网络是一种在人脑神经运作之后松散地模型的一组算法。该算法旨在识别馈送到网络中的数据中的模式，并将这些数据群集为类别，或标签。神经网络的一个常见例子涉及视觉处理;该模型根据图案的模式培训，以将图像分类为CAT或狗，其识别出特定标记为猫，狗和其他物体的数千个图像。

Sun和Demanet改编了一种神经网络，具体地，用于识别地震数据中的模式。他们推理，如果一个神经网络被喂养足够的地震例子，以及通过地球的特定组合的所得到的高和低频地震波的方式都应该能够，因为他们写入他们纸张，“挖掘不同频率分量之间的隐藏相关性”，如果网络仅给出地震的部分地震型材，则推断任何缺失的频率。

研究人员寻求培训卷积神经网络，或CNN，一类经常用于分析视觉信息的深度神经网络。CNN非常通常由输入和输出层以及之间的多个隐藏层组成，该过程输入以识别它们之间的相关性。

在它们的许多应用中，CNNS已被用作产生视觉或听觉“DeepFakes”的手段 - 通过深度学习和神经网络推断或操纵的内容，使其似乎似乎是一个女人正在谈论有一个男人的声音。

“如果网络已经看到了如何采取男性声音并将其转换为女性的语音，或者反之亦然，你可以创建一个复杂的盒子来做到这一点，”Demanet说。“在这里，我们使地球讲另一个频率 - 一个没有最初经过它的频率。”

跟踪波浪

研究人员用它们使用Marmousi模型产生的输入培训了它们的神经网络，这是一种复杂的二维地球物理模型，它模拟地震波通过不同密度和组成的地质结构行驶的方式。

在他们的研究中，团队使用模型来模拟九个“虚拟地球”，每个模型都有一个不同的地下组成。对于每个地球模型，它们模拟了30种不同的地震，都具有相同的力量，但不同的起始位。总共，研究人员产生了数百种不同的地震情景。他们将几乎所有这些模拟的信息进入其神经网络，并让网络在地震信号之间找到相关性。

在培训课后，该团队向神经网络引入了一个新的地震，它们在地球模型中模拟但不包括在原始训练数据中。它们仅包括地震的高频部分的地震活动，希望神经网络从训练数据中学到足够的资料，以便能够从新输入推断出缺失的低频信号。

他们发现神经网络产生了最初模拟的marmousi模型的相同低频值。

“结果相当不错，”Demanet说。“看到网络可以推断到缺失频率令人印象深刻。”

与所有神经网络一样，该方法具有其限制。具体地，神经网络仅与馈入的数据一样好。如果新的输入与网络培训数据的大部分繁然不同，则无法保证输出将是准确的。为了争夺这种限制，研究人员表示他们计划向神经网络引入更广泛的数据，例如不同强度的地震，以及更多种组成的地产。

随着他们提高神经网络的预测，团​​队希望能够使用该方法从实际地震数据外推外的低频信号，然后可以将其插入地震模型，以更准确地映射地球表面下方的地质结构。特别是低频率是解决找到正确物理模型的大难题的关键成分。

“使用这个神经网络将有助于我们找到缺失的频率，最终改善地下图像并找到地球的构成，”Demanet说。

该研究部分得到了支持的，由SA和美国空军研究员提供支持。