机器学习从地震数据中找出隐藏的震动

在过去的一个世纪里，科学家们开发出了绘制地壳内部结构的方法，以识别诸如石油储量、地热资源等资源，以及最近发现的可以隔离多余二氧化碳的水库。他们通过追踪地震自然产生的地震波，或通过炸药或水下气枪人工产生的地震波来达到这一目的。这些波在地球上反弹和散射的方式可以让科学家了解地表下的结构类型。

有一种窄幅的地震波——即频率在1赫兹左右的低频波——可以给科学家们提供跨越很宽距离的地下结构的最清晰的图像。但是这些波经常被地球嘈杂的地震声所淹没，因此很难用当前的探测器探测到。特别是产生低频波需要大量的能量。由于这些原因，低频地震波在人类产生的地震数据中基本上消失了。

现在，麻省理工学院的研究人员提出了一种机器学习方法来填补这一空白。

在《地球物理学》杂志上发表的一篇论文中，他们描述了一种方法，通过这种方法，他们训练了一个神经网络来模拟数百次不同的地震。当研究人员只使用新模拟地震产生的高频地震波建立训练网络时，神经网络能够模拟地震波传播的物理过程，并准确地估计出地震中缺失的低频波。

这种新方法可以让研究人员人工合成隐藏在地震数据中的低频波，然后可以用来更精确地绘制地球内部结构。

“最终的梦想是能够绘制出整个地下的地图，并且能够说，例如，‘这就是冰岛地下的样子，所以现在你知道到哪里去寻找地热资源了，’”合著者、麻省理工学院应用数学教授劳伦特·德马尼特说。“现在我们已经证明，深度学习提供了一种解决方案，能够填补这些缺失的频率。”

Demanet的合著者是麻省理工学院地球、大气和行星科学系的研究生孙宏宇。

说另一个频率

神经网络是一组松散地模仿人类大脑神经工作方式的算法。这些算法被设计用来识别输入网络的数据中的模式，并将这些数据聚集到类别或标签中。神经网络的一个常见例子涉及到视觉处理;该模型经过训练，根据它识别的数千幅图像中的特定标记为猫、狗和其他物体的模式，将图像分类为猫或狗。

Sun和Demanet将神经网络应用于信号处理，特别是识别地震数据中的模式。他们推断,如果神经网络是美联储足够的地震的例子,和由此产生的高,低频地震波穿过地球的某一成分,网络应该可以,因为他们写在他们的论文中,“我”隐藏的不同频率成分之间的相关性和推断任何缺失的频率如果网络只考虑到地震的部分地震剖面。

研究人员希望训练卷积神经网络(convolutional neural network，简称CNN)，这是一类常用来分析视觉信息的深度神经网络。CNN通常由一个输入和输出层以及它们之间的多个隐含层组成，这些隐含层处理输入以识别它们之间的相关性。

在它们的众多应用中，CNNs被用作一种生成视觉或听觉“深度模仿”的手段——通过深度学习和神经网络对内容进行推断或处理，使其看起来像是一个女人在用一个男人的声音说话。

Demanet说:“如果一个网络已经有足够多的例子证明如何将男性声音转换成女性声音，或者相反，你可以创建一个复杂的盒子来做到这一点。”“而在这里，我们让地球说出另一个频率——一个最初没有穿过它的频率。”

跟踪波

研究人员使用Marmousi模型生成的输入来训练他们的神经网络，Marmousi模型是一个复杂的二维地球物理模型，它模拟了地震波在不同密度和组成的地质结构中传播的方式。 

在他们的研究中，研究小组用这个模型模拟了9个“虚拟地球”，每一个都有不同的地下组成。对于每个地球模型，他们模拟了30次不同的地震，强度相同，但起始位置不同。研究人员总共生成了数百种不同的地震场景。他们将几乎所有这些模拟的信息输入他们的神经网络，让神经网络找到地震信号之间的相关性。

训练结束后，研究小组向神经网络引入了一种新的地震，他们在地球模型中模拟了这种地震，但原始训练数据中没有包含这种地震。他们只包括了地震活动的高频部分，希望神经网络能从训练数据中获得足够的信息，从而能够从新的输入中推断出缺失的低频信号。

他们发现，神经网络产生的低频值与Marmousi模型最初模拟的相同。

“结果相当不错，”Demanet说。“令人印象深刻的是，网络可以推断出缺失的频率有多远。”

与所有神经网络一样，该方法也有其局限性。具体来说，神经网络的好坏取决于输入的数据。如果一个新的输入与网络的大部分训练数据有很大的不同，就不能保证输出是准确的。为了克服这一限制，研究人员表示，他们计划在神经网络中引入更广泛的数据，比如不同强度的地震，以及更多样组成的子表面。

当他们改进了神经网络的预测时，研究小组希望能够利用这种方法从实际地震数据中推断出低频信号，然后将这些信号插入地震模型中，从而更准确地绘制出地表以下的地质结构。特别是低频，是解决寻找正确物理模型这个大难题的关键因素。

Demanet说:“使用这种神经网络将帮助我们找到缺失的频率，最终改善地下图像，并找到地球的组成。”

这项研究部分得到了道达尔公司和美国空军科学研究办公室的支持。