Ученые, стремящиеся понять внутренний часовой механизм Земли, развернули армии датчиков, прислушивающихся к признакам скольжения, грохота, выдохов и других возмущений, исходящих от самых глубоких разломов планеты до ее самых высоких вулканов.
Твердая земля, океаны и атмосфера вместе образуют геосистему, в которой физические, биологические и химические процессы взаимодействуют в масштабах от миллисекунд до миллиардов лет и от размера одного атома до размера целой планеты.
Ученые-геологи использовали технику распознавания речи для обнаружения различных явлений, начиная от альпийских оползней и кончая вулканическими предупреждающими знаками, которые в противном случае остались бы незамеченными.
По словам специалистов, алгоритмы машинного обучения, обученные исследовать структуру постоянно расширяющихся потоков геологических данных, помогают ученым ответить на постоянные вопросы о том, как работает Земля.
Самые простые приложения машинного обучения в науке о Земле автоматизируют повторяющиеся задачи. Более продвинутые алгоритмы, открывающие новые открытия в науке о Земле и за ее пределами, могут начать распознавать паттерны, не работая с известными примерами.
Геофизики работают с алгоритмами машинного обучения, чтобы понять все более сложные моделирования геосистем Земли.
По их словам, можно разработать детектор землетрясений, основанный на известных землетрясениях. Он найдет землетрясения, которые выглядят как уже известные. Было бы гораздо интереснее найти землетрясения, с которыми еще не сталкивались.
Ученые смогли сделать это, используя алгоритм, который помечает любую повторяющуюся сигнатуру в наборах колебаний, регистрируемых сейсмографами - инструментами, которые регистрируют дрожание от землетрясений вместо того, чтобы охотиться только за узорами, созданными землетрясениями, которые ученые ранее каталогизировали.
В дополнение к обнаружению пропущенных шаблонов машинное обучение также может помочь приручить подавляющие наборы данных. Моделирование того, как землетрясение влияет на вязкую часть слоя в недрах Земли, которая простирается на сотни километров ниже самой внешней коры планеты, например, требует непреодолимо большого количества вычислительной мощности. Но алгоритмы машинного обучения могут находить ярлыки, по существу имитируя решения более подробных уравнений с меньшим количеством вычислений.
Более того, любые недостатки в точности решений этих уравнений, основанных на искусственном интеллекте, часто бледнеют по сравнению с влиянием собственных решений ученых о том, как настроить вычисления в первую очередь.
Как считают ученые, самый большой источник ошибок происходит не от неспособности решить уравнения. Это происходит от незнания того, какова внутренняя структура Земли на самом деле и параметры, которые должны входить в эти уравнения.
Конечно, машинное обучение далеко не идеальный инструмент для ответа на самые острые вопросы в науке о Земле.
Если ученые тренируют алгоритм на недостаточных или неправильно помеченных данных, по словам исследователей, это может привести к тому, что модели будут воспроизводить предубеждения, которые не обязательно отражают реальность.
Этот тип ошибок может быть частично преодолен за счет большей прозрачности и создания эталонных наборов данных. По словам специалистов, важно выявить и устранить ограничения или недостатки предлагаемых подходов.
