L’apprentissage machine détecte les vibrations cachées dans les données sur les tremblements de terre

L’apprentissage machine détecte les vibrations cachées dans les données sur les tremblements de terre

Au cours du siècle dernier, les scientifiques ont développé des méthodes pour cartographier les structures de la croûte terrestre, afin d’identifier les ressources telles que les réserves de pétrole, les sources géothermiques et, plus récemment, les réservoirs où l’excès de dioxyde de carbone pourrait être potentiellement séquestré. Pour ce faire, ils suivent les ondes sismiques produites naturellement par les tremblements de terre ou artificiellement par des explosifs ou des canons à air sous-marins. La façon dont ces ondes rebondissent et se dispersent à travers la Terre peut donner aux scientifiques une idée du type de structures qui se trouvent sous la surface.

Il existe une gamme étroite d’ondes sismiques – celles qui se produisent à des fréquences basses d’environ 1 hertz – qui pourrait donner aux scientifiques l’image la plus claire des structures souterraines s’étendant sur de grandes distances. Mais ces ondes sont souvent noyées par le bourdonnement sismique de la Terre, et sont donc difficiles à détecter avec les détecteurs de courant. Pour générer spécifiquement des ondes de basse fréquence, il faudrait pomper d’énormes quantités d’énergie. Pour ces raisons, les ondes sismiques de basse fréquence ont largement disparu des données sismiques produites par l’homme.

Les chercheurs du MIT ont mis au point une solution de contournement par apprentissage machine pour combler cette lacune.

Dans un article publié dans la revue Geophysics, ils décrivent une méthode dans laquelle ils ont formé un réseau neuronal sur des centaines de tremblements de terre simulés différents. Lorsque les chercheurs ont présenté le réseau formé avec seulement les ondes sismiques de haute fréquence produites par un nouveau tremblement de terre simulé, le réseau neuronal a pu imiter la physique de la propagation des ondes et estimer avec précision les ondes de basse fréquence manquantes du tremblement de terre.

La nouvelle méthode pourrait permettre aux chercheurs de synthétiser artificiellement les ondes de basse fréquence qui sont cachées dans les données sismiques, qui peuvent ensuite être utilisées pour cartographier plus précisément les structures internes de la Terre.

Le rêve ultime est de pouvoir cartographier l’ensemble du sous-sol et de pouvoir dire, par exemple, “c’est exactement ce à quoi ressemble le sous-sol de l’Islande, donc maintenant vous savez où explorer les sources géothermiques”, déclare le co-auteur Laurent Demanet, professeur de mathématiques appliquées au MIT. “Nous avons maintenant montré que l’apprentissage approfondi offre une solution pour pouvoir combler ces fréquences manquantes”.

Le co-auteur de Demanet est l’auteur principal Hongyu Sun, un étudiant diplômé du département des sciences de la terre, de l’atmosphère et des planètes du MIT.

Parler sur une autre fréquence

Un réseau de neurones est un ensemble d’algorithmes modelés de façon approximative sur le fonctionnement des neurones du cerveau humain. Les algorithmes sont conçus pour reconnaître des modèles dans les données qui sont introduites dans le réseau, et pour regrouper ces données en catégories, ou étiquettes. Un exemple courant de réseau neuronal implique le traitement visuel ; le modèle est entraîné à classer une image comme un chat ou un chien, en fonction des modèles qu’il reconnaît entre des milliers d’images qui sont spécifiquement étiquetées comme des chats, des chiens et d’autres objets.

Sun et Demanet ont adapté un réseau de neurones pour le traitement du signal, en particulier pour reconnaître les modèles dans les données sismiques. Ils ont estimé que si un réseau neuronal était alimenté par suffisamment d’exemples de tremblements de terre et de la manière dont les ondes sismiques à haute et basse fréquence qui en résultent se propagent à travers une composition particulière de la Terre, le réseau devrait pouvoir, comme ils l’écrivent dans leur article, “exploiter les corrélations cachées entre les différentes composantes de fréquence” et extrapoler les fréquences manquantes si le réseau ne disposait que du profil sismique partiel d’un tremblement de terre.

Les chercheurs ont cherché à former un réseau neuronal convolutionnel, ou CNN, une classe de réseaux neuronaux profonds qui est souvent utilisée pour analyser des informations visuelles. Un CNN est très généralement constitué d’une couche d’entrée et d’une couche de sortie, et de plusieurs couches cachées entre elles, qui traitent les entrées pour identifier les corrélations entre elles.

Parmi leurs nombreuses applications, les CNN ont été utilisés comme moyen de générer des “deepfakes” visuels ou auditifs – des contenus qui ont été extrapolés ou manipulés par l’apprentissage profond et les réseaux neuronaux, pour faire croire, par exemple, qu’une femme parle avec une voix d’homme.