Des scientifiques dirigés par Daigo Shoji du Earth-Life Science Institute (Tokyo Institute of Technology) ont montré qu'un type d'intelligence artificielle appelé réseau neuronal convolutif peut être entraîné pour catégoriser les formes de particules de cendres volcaniques. Parce que les formes des particules volcaniques sont liées au type d'éruption volcanique, cette catégorisation peut fournir des informations sur les éruptions et contribuer aux efforts d'atténuation des risques volcaniques.

Les éruptions volcaniques se présentent sous de nombreuses formes, des éruptions explosives de l'Eyjafjallajökull en Islande en 2010, qui a perturbé les voyages aériens européens pendant une semaine, aux coulées de lave relativement tranquilles des îles Hawaï en mai 2018. De même, ces éruptions ont différentes menaces associées, des nuages ​​de cendres à la lave. Parfois, le mécanisme de l'éruption (par exemple, interaction eau-magma) n'est pas évidente, et doit être soigneusement évalué par les volcanologues pour déterminer les menaces et les réponses futures. Les volcanologues examinent de près les cendres produites par les éruptions (par exemple, Fig. 1), car différentes éruptions produisent des particules de cendres de formes variées. Mais comment regarder objectivement des milliers de minuscules échantillons pour produire une image cohérente de l'éruption ? La classification à l'œil est la méthode habituelle, mais c'est lent, subjectif, et limité par la disponibilité de volcanologues expérimentés. Les programmes informatiques conventionnels classent rapidement les particules selon des paramètres objectifs, comme la circularité, mais la sélection des paramètres reste la tâche car des formes simples classées par un seul paramètre sont rarement trouvées dans la nature.

Entrez dans le réseau de neurones convolutifs (CNN), une intelligence artificielle conçue pour analyser l'imagerie. Contrairement à d'autres programmes informatiques, CNN apprend organiquement comme un humain, mais des milliers de fois plus vite. Le programme peut également être partagé, supprimant le besoin de dizaines de géologues formés sur le terrain. Pour cette expérience, le programme a été alimenté en images de centaines de particules avec l'une des quatre formes basales, qui sont créés par différents mécanismes d'éruption (des exemples sont montrés dans la Fig. 2). Les particules de cendres sont en blocs lorsque les roches sont fragmentées par des éruptions, vésiculaire lorsque la lave est pétillante, allongé lorsque les particules sont fondues et écrasées, et arrondi à partir de la tension superficielle des fluides, comme des gouttelettes d'eau. L'expérience a réussi à apprendre au programme à classer les formes basales avec un taux de réussite de 92 %, et attribuer des rapports de probabilité à chaque particule même pour la forme incertaine (Fig. 3). Cela peut permettre une couche supplémentaire de complexité pour les données à l'avenir, fournir aux scientifiques de meilleurs outils pour déterminer le type d'éruption, par exemple si une éruption était phréatomagmatique (comme la deuxième phase de l'éruption d'Eyjafjallajökull en 2010) ou magmatique (comme les éruptions de flanc de l'Etna).

L'étude du Dr Shoji a montré que les CNN peuvent être formés pour trouver utile, informations complexes sur de minuscules particules ayant une grande valeur géologique. Pour augmenter la portée du CNN, des techniques de grossissement plus avancées, comme la microscopie électronique, peut ajouter de la couleur et de la texture aux résultats. De la collaboration avec des biologistes, informaticiens et géologues, l'équipe de recherche espère utiliser le CNN de nouvelles façons. Le monde microcosmique a toujours été complexe, mais grâce à quelques scientifiques étudiant les volcans, les réponses peuvent être plus faciles à trouver.