机器学习从X数据中找出隐藏的振动

上个世纪以来，科学家们开发了绘制地壳内部结构图的方法，以识别诸如石油储量，地热源以及最近可能封存过量二氧化碳的储层之类的资源。他们通过跟踪X自然产生的X波或通过X或水下X人工产生的X波来实现。这些波在地球上反弹和散射的方式可以使科学家们了解位于地下的结构类型。

X波的范围很窄-发生在1赫兹左右的低频范围的X波-可以为科学家提供最清晰的跨越远距离的地下结构图。但是这些波常常被地球嘈杂的X嗡嗡声淹没，因此很难用电流检测器接收。具体地产生低频波将需要泵入大量能量。由于这些原因，低频X波在人为产生的X数据中已大大丢失。

现在，麻省理工学院的研究人员提出了一种机器学习的解决方法，以填补这一空白。

在《地球物理学》杂志上发表的一篇论文中，他们描述了一种在数百种不同的模拟X上训练神经网络的方法。当研究人员仅向训练有素的网络展示新模拟X产生的高频X波时，神经网络能够模仿波传播的物理原理，并准确估计X丢失的低频波。

这种新方法可以使研究人员人工合成隐藏在X数据中的低频波，然后可以将其用于更精确地绘制地球内部结构的地图。

「作家Laurent Demanet，麻省理工学院应用数学教授。“现在，我们已经证明深度学习提供了一种能够填补这些缺失频率的解决方案。”

Demanet的合著者是麻省理工学院地球，大气与行星科学系的研究生Sunhongyu。

讲另一种频率

神经网络是在人脑的神经工作之后松散建模的一组算法。该算法旨在识别馈入网络的数据中的模式，并将这些数据聚类为类别或标签。神经网络的常见示例涉及视觉处理。该模型经过训练，可根据模型在数千种专门标记为猫，狗和其他物体的图像之间识别的模式将图像分类为猫还是狗。

Sun和Demanet修改了神经网络进行信号处理，特别是识别X数据中的模式。他们认为，如果向神经网络提供足够多的X实例，以及由此产生的高频和低频X波通过地球的特定成分传播的方式，则该网络应该能够像他们在自己的论文中写道的那样论文“消除不同频率分量之间的隐藏相关性”，如果网络仅给出了X的部分X剖面，则推断任何缺失的频率。

研究人员希望训练卷积神经网络或СNN，这是一类深度神经网络，通常用于分析视觉信息。СNN通常通常由一个输入和输出层以及它们之间的多个隐藏层组成，该隐藏层处理输入以识别它们之间的相关性。

在其许多应用中，СNN已被用作生成视觉或听觉“深造假”的手段-深层学习和神经网络对这些内容进行了外推或操纵，以使其看起来像是在说话。用男人的声音。

Demanet说：“如果网络上有足够的例子说明如何采用男性声音并将其转换为女性声音，反之亦然，则可以创建一个复杂的盒子来做到这一点。” “在这里，我们使地球讲另一种频率-最初不是通过它的。”

跟踪波

研究人员使用Marmousi模型（一个复杂的二维地球物理模型）生成的输入来训练他们的神经网络，该模型模拟X波在密度和成分不同的地质结构中的传播方式。

在他们的研究中，研究小组使用该模型模拟了9个“虚拟地球”，每个虚拟地球具有不同的地下成分。对于每个地球模型，他们模拟了30种不同的X，所有X的强度相同，但起始位置不同。研究人员总X生了数百种不同的X场景。他们将几乎所有这些模拟中的信息输入到他们的神经网络中，并让网络找到X信号之间的相关性。

训练课程结束后，研究小组向神经网络介绍了他们在地球模型中模拟但未包括在原始训练数据中的新X。他们只包括XX活动的高频部分，希望神经网络从训练数据中学到足够的知识，以便能够从新输入中推断出丢失的低频信号。

他们发现神经网络产生了与Marmousi模型最初模拟的相同的低频值。

“结果相当不错，” Demanet说。“看到网络可以外推到丢失的频率令人印象深刻。”

与所有神经网络一样，该方法也有其局限性。具体来说，神经网络仅与馈入其中的数据一样好。如果新输入与网络训练数据的大部分完全不同，则不能保证输出将是准确的。为了应对这种局限性，研究人员说他们计划向神经网络引入更多种类的数据，例如不同强度的X以及组成更多样化的地下。

随着他们改善神经网络的预测，该小组希望能够使用该方法从实际X数据中推断低频信号，然后将其插入X模型中，以更准确地绘制地球表面以下的地质结构。低频尤其是解决找到正确物理模型的难题的关键因素。

Demanet说：“使用该神经网络将帮助我们找到缺失的频率，从而最终改善地下图像并找到地球的成分。”