ARTIFICIAL INTELLIGENCE E ANTISISMICA
L’intelligenza artificiale svolge un ruolo importante nei sistemi moderni di rilevamento sismico, in quanto aumenta l’efficienza del rilevamento e riduce l’influenza del disturbo nei dati.
Gli algoritmi di machine learning (ad esempio, reti neurali artificiali, programmazione genetica, mappa auto-organizzante, macchine a vettori di supporto e alberi decisionali) sono utilizzati per addestrarsi a trovare determinazioni implicite per gli eventi sismici. Di recente, in particolare, è cresciuto l’interesse per l’impiego di tecniche di deep learning in sismologia.
Artificial intelligence, Machine learning e Deep learning
Adottare un approccio AI per l’estrazione, l’elaborazione e l’analisi dei dati aumenta in maniera sostanziale l’accuratezza e l’efficienza del rilevamento dei terremoti.
Dall’altra parte, un limite dei metodi di Artificial Intelligence è quello di essere molto sensibili ai parametri, soprattutto quando si tratta di insiemi di dati sperimentali complicati. Una soluzione valida per affrontare questo problema è l’utilizzo di algoritmi di ottimizzazione robusti per un controllo ottimizzato dei parametri del metodo AI.
In generale però, le tecniche di AI hanno mostrato prestazioni ottime nell’analisi di dataset sismici enormi e complicati e nell’estrazione di risultati significativi in questo ambito.
MACHINE LEARNING E SISMOLOGIA
In sismologia, il machine learning utilizza una serie di tecniche per trovare le regole e le dipendenze intrinseche tra i dati e quindi classificarli o regredirli. Inoltre, il machine learning è comunemente utilizzato per categorizzare e analizzare modelli o caratteristiche inedite nei dati rilevati poiché, a differenza dei sismologi che analizzano i dati utilizzando l’intuizione e la logica, scopre caratteristiche che vanno oltre le capacità umane.
Il machine learning in sismologia si basa sulla teoria della probabilità applicandola in cinque fasi:
- Raccolta e la suddivisione dei dati sismici per l’addestramento e i test
- Preelaborazione per pulire, formattare e rimuovere/recuperare i dati sismici
- Il modello di addestramento utilizza algoritmi di ottimizzazione numerica per sintonizzare le variabili sismiche
- Valutazione del modello rispetto all’accuratezza della previsione utilizzando i dati di test
- Generazione di nuovi dati per la previsione utilizzando un algoritmo machine learning.
In generale, il metodo ML può essere classificato in tre applicazioni in sismologia:
- Strumento di accelerazione del codice per ridurre il costo computazionale dei modelli deterministici
- Sviluppo di un modello empirico se il modello deterministico non è possibile
- Risoluzione di problemi di classificazione.
La ricerca sismica basata sul ML fino ad oggi si è concentrata principalmente sull’impiego di metodi di apprendimento supervisionati. Nonostante ciò, con un’alta probabilità i metodi di apprendimento non supervisionati giocheranno un ruolo cruciale nella sismologia del futuro prossimo.
Le tecniche di AI hanno mostrato prestazioni ottime nell’analisi di dataset sismici enormi e complicati e nell’estrazione di risultati significativi in sismologia.
SVILUPPI FUTURI
Gli sviluppi futuri dell’analisi sismica potenziata dall’intelligenza artificiale potrebbero riguardare i seguenti tre aspetti:
- Sistemi di predizione sismica data-driven: I modelli di previsione data-driven mirano a sostituire anche le tecniche di monitoraggio dei terremoti e di trasferimento dei dati. I modelli di previsione sismica abilitati dall’intelligenza artificiale devono tenere conto non solo di come estrarre risultati significativi da un’enorme quantità di dati di rilevamento, ma anche di come garantire un rilevamento sostenibile per un lungo periodo di tempo. I modelli di previsione sismica basati sull’intelligenza artificiale dovrebbero, inoltre, ridurre la dissipazione di energia dei sensori sismici e migliorare la trasformazione dei dati per il rilevamento.
- Sistemi di predizione sismica deep-learning: a differenza degli algoritmi di Machine Learning, quelli di deep learning utilizzano le caratteristiche ottimali apprese dalla rete per migliorare l’accuratezza della classificazione e l’efficienza computazionale. Si prevede che questa tecnologia sarà applicata in maniera definitiva entro i prossimi dieci anni.
- Sismologia potenziata dal deep learning nelle piattaforme IoT: L’IoT è definito come una piattaforma basata sulla rete Internet che consente servizi avanzati interconnettendo gli oggetti attraverso tecnologie di informazione e comunicazione interoperabili. In sismologia, l’IoT si riferisce alle piattaforme in cui i dispositivi di monitoraggio sono dotati di computer locali e software intelligenti per aumentare le comunicazioni machine-to-machine nelle reti di monitoraggio locali. Questo darà quindi la possibilità di arrivare allo sviluppo di una rete di monitoraggio sismico globale intelligente e connessa.
