Küçük küllerden gelen volkanik patlamaları anlamak için yapay zekayı kullanmak

Definecinin Büyük Yanılgısı, Horasan Harcı Nasıldır ? (Haziran 2019).

Anonim

Daigo Shoji'nin Dünya Yaşam Bilimleri Enstitüsü'nden (Tokyo Institute of Technology) liderliğindeki bilim adamları, volkanik kül partikül şekillerini kategorize etmek için bir konvolüsyonel sinir ağı adı verilen yapay zekanın eğitilebileceğini göstermiştir. Volkanik parçacıkların şekilleri volkanik patlama tipine bağlı olduğundan, bu kategorizasyon patlamalar hakkında bilgi verebilir ve volkanik tehlike azaltma çabalarına yardımcı olabilir.

Volkanik püskürmeler, 2010 yılında İzlanda'nın Eyjafjallajökull patlayıcı patlamasından bir hafta içinde Avrupa hava yolculuğunu kesintiye uğratan Hawai Adaları'nın nispeten sakin Mayıs 2018 lav akıntılarına pek çok biçimde geldi. Aynı şekilde, bu püskürmeler kül bulutlarından lavlara kadar farklı ilişkili tehditlere sahiptir. Bazen, patlama mekanizması (örneğin, su ve magma etkileşimi) açık değildir ve gelecekteki tehdit ve tepkileri belirlemek için volkanologlar tarafından dikkatle değerlendirilmelidir. Volkanologlar, erüpsiyonlar tarafından üretilen küllere yakından bakarlar (örneğin, Şekil 1), çünkü farklı erüpsiyonlar farklı şekillerde kül partikülleri üretirler. Ancak, binlerce küçük örneğe, patlamanın tutarlı bir görüntüsünü üretmek için nesnel olarak nasıl bakılıyor? Gözle sınıflandırma, olağan yöntemdir, fakat yavaş, subjektiftir ve deneyimli volkanologların mevcudiyeti ile sınırlıdır. Geleneksel bilgisayar programları, parçacıkları dairesellik gibi objektif parametrelerle sınıflandırmak için hızlıdır, ancak parametrelerin seçimi görev olarak kalır çünkü tek bir parametre ile kategorize edilen basit şekiller nadiren doğada bulunur.

Görüntüleri analiz etmek için tasarlanan yapay bir zeka olan konvolüsyel sinir ağını (CNN) girin. Diğer bilgisayar programlarının aksine, CNN organik olarak bir insan gibi öğrenir, ama binlerce kez daha hızlı. Program ayrıca, sahada düzinelerce eğitimli jeolog ihtiyacını ortadan kaldırarak paylaşılabilir. Bu deney için program, farklı erüpsiyon mekanizmalarıyla oluşturulan dört bazal şekli olan yüzlerce partikülün görüntülerini beslemiştir (örnekler Şekil 2'de gösterilmiştir). Kül parçacıkları döküntülerle parçalanırken, lavlar kabarcıklı olduğunda vesiküler, partiküller eritildiğinde ve süzüldüklerinde uzamış ve sıvıların yüzey gerilimlerinden, su damlacıkları gibi yuvarlatıldığında kül halindedir. Deney başarılı bir şekilde, yüzde 92'lik bir başarı oranı ile bazal şekilleri sınıflandırmaya ve belirsiz şekil için bile her bir parçacık için olasılık oranlarını tayin etmeyi öğretmiştir (Şekil 3). Bu, gelecekte verilere ek bir karmaşıklık katmanı sağlayabilir ve bilim adamlarına, bir erüpsiyonun (2010'da Eyjafjallajökull erüpsiyonunun ikinci aşaması gibi) bir füzyonun freatomagmatik olup olmadığını veya magmatik (Mt. Etna).

Shoji'nin çalışması, CNN'lerin çok büyük jeolojik değeri olan küçük parçacıklar hakkında yararlı ve karmaşık bilgiler bulmak için eğitilebileceğini göstermiştir. CNN aralığını arttırmak için, elektron mikroskobu gibi daha gelişmiş büyütme teknikleri sonuçlara renk ve doku ekleyebilir. Biyologlar, bilgisayar bilimcileri ve jeologlarla işbirliği yapan araştırma ekibi, CNN'yi yeni yollarla kullanmayı umuyor. Mikrokozmosik dünya her zaman karmaşık olmuştur, ancak yanardağlarda çalışan birkaç bilim adamı sayesinde, cevaplar bulmak daha kolay olabilir.

menu
menu