Au cours du siècle dernier, les scientifiques ont développé des méthodes pour cartographier les structures de la croûte terrestre, afin d'identifier des ressources telles que des réserves de pétrole, sources géothermiques, et, plus récemment, réservoirs où l'excès de dioxyde de carbone pourrait potentiellement être séquestré. Ils le font en suivant les ondes sismiques produites naturellement par les tremblements de terre ou artificiellement via 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 pourraient donner aux scientifiques l'image la plus claire des structures souterraines couvrant de grandes distances. Mais ces ondes sont souvent noyées par le bourdonnement sismique bruyant de la Terre, et sont donc difficiles à capter avec les détecteurs actuels. La génération spécifique d'ondes à basse fréquence nécessiterait le pompage d'énormes quantités d'énergie. Pour ces raisons, les ondes sismiques à basse fréquence ont largement disparu des données sismiques générées par l'homme.

Maintenant, Les chercheurs du MIT ont mis au point une solution de contournement d'apprentissage automatique pour combler cette lacune.

Dans un article paru dans la revue Geophysics, ils décrivent une méthode dans laquelle ils ont entraîné un réseau de neurones sur des centaines de tremblements de terre simulés différents. Lorsque les chercheurs ont présenté au réseau formé uniquement les ondes sismiques à haute fréquence produites à partir d'un nouveau tremblement de terre simulé, le réseau de neurones a pu imiter la physique de la propagation des ondes et estimer avec précision les ondes basse fréquence manquantes du séisme.

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

"Le rêve ultime est de pouvoir cartographier l'ensemble du sous-sol, et pouvoir dire, par exemple, 'c'est exactement à quoi ça ressemble sous l'Islande, alors maintenant vous savez où explorer les sources géothermiques, '", déclare le co-auteur Laurent Demanet, professeur de mathématiques appliquées au MIT. "Maintenant, nous avons montré que l'apprentissage en profondeur 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 de la Terre du MIT, Sciences atmosphériques et planétaires.

Parler une autre fréquence

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

Sun et Demanet ont adapté un réseau de neurones pour le traitement du signal, Plus précisément, reconnaître des modèles dans les données sismiques. Ils ont estimé que si un réseau de neurones était alimenté avec suffisamment d'exemples de tremblements de terre, et les façons dont les ondes sismiques à haute et basse fréquence qui en résultent se déplacent à travers une composition particulière de la Terre, le réseau doit pouvoir, comme ils l'écrivent dans leur papier, « 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 de neurones convolutifs, ou CNN, une classe de réseaux de neurones profonds qui est souvent utilisé pour analyser des informations visuelles. Un CNN est très généralement constitué d'une couche d'entrée et de sortie, et plusieurs couches cachées entre, 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, c'est-à-dire du contenu qui a été extrapolé ou manipulé via l'apprentissage en profondeur et les réseaux de neurones, pour le faire paraître, par exemple, comme si une femme parlait avec une voix d'homme.

« Si un réseau a vu suffisamment d'exemples sur la façon de prendre une voix masculine et de la transformer en une voix féminine ou vice versa, vous pouvez créer une boîte sophistiquée pour le faire, " Dit Demanet. "Alors qu'ici, nous faisons parler la Terre à une autre fréquence, une fréquence qui n'est pas passée par elle à l'origine."

Suivi des vagues

Les chercheurs ont entraîné leur réseau de neurones avec des entrées qu'ils ont générées à l'aide du modèle de Marmousi, un modèle géophysique bidimensionnel complexe qui simule la façon dont les ondes sismiques se déplacent à travers des structures géologiques de densité et de composition variables.

Dans leur étude, l'équipe a utilisé le modèle pour simuler neuf "Terres virtuelles, " chacun avec une composition de sous-surface différente. Pour chaque modèle de Terre, ils ont simulé 30 tremblements de terre différents, tous avec la même force, mais des points de départ différents. Au total, les chercheurs ont généré des centaines de scénarios sismiques différents. Ils ont introduit les informations de presque toutes ces simulations dans leur réseau de neurones et ont laissé le réseau trouver des corrélations entre les signaux sismiques.

Après la séance de formation, l'équipe a présenté au réseau de neurones un nouveau tremblement de terre qu'ils ont simulé dans le modèle terrestre mais n'a pas inclus dans les données d'entraînement d'origine. Ils n'incluaient que la partie haute fréquence de l'activité sismique du séisme, dans l'espoir que le réseau de neurones a suffisamment appris des données d'apprentissage pour pouvoir déduire les signaux basse fréquence manquants de la nouvelle entrée.

Ils ont découvert que le réseau de neurones produisait les mêmes valeurs basse fréquence que le modèle de Marmousi simulé à l'origine.

« Les résultats sont assez bons, " dit Demanet. " C'est impressionnant de voir jusqu'où le réseau peut extrapoler aux fréquences manquantes. "

Comme pour tous les réseaux de neurones, la méthode a ses limites. Spécifiquement, le réseau de neurones est seulement aussi bon que les données qui y sont introduites. Si une nouvelle entrée est très différente de la majeure partie des données d'entraînement d'un réseau, il n'y a aucune garantie que la sortie sera précise. Pour faire face à cette limitation, les chercheurs disent qu'ils prévoient d'introduire une plus grande variété de données dans le réseau de neurones, tels que les tremblements de terre de différentes forces, ainsi que des sous-surfaces de composition plus variée.

Comme ils améliorent les prédictions du réseau de neurones, l'équipe espère pouvoir utiliser la méthode pour extrapoler des signaux basse fréquence à partir de données sismiques réelles, qui peuvent ensuite être branchés sur des modèles sismiques pour cartographier plus précisément les structures géologiques sous la surface de la Terre. Les basses fréquences, en particulier, sont un ingrédient clé pour résoudre le grand casse-tête de trouver le bon modèle physique.

"L'utilisation de ce réseau de neurones nous aidera à trouver les fréquences manquantes pour finalement améliorer l'image du sous-sol et trouver la composition de la Terre, " dit Demanet.

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.