Durante el siglo pasado, los científicos han desarrollado métodos para mapear las estructuras dentro de la corteza terrestre, con el fin de identificar recursos como reservas de petróleo, fuentes geotérmicas y, más recientemente, depósitos donde el exceso de dióxido de carbono podría ser obtenido. Lo hacen rastreando las ondas sísmicas que se producen naturalmente por terremotos o artificialmente a través de explosivos o pistolas de aire submarinas. La forma en que estas ondas rebotan y se dispersan por la Tierra puede dar a los científicos una idea del tipo de estructuras que se encuentran debajo de la superficie.

Existe un rango estrecho de ondas sísmicas, las que ocurren a bajas frecuencias de alrededor de 1 hertz, que podrían dar a los científicos la imagen más clara de estructuras subterráneas que abarcan grandes distancias. Pero estas ondas son a menudo ahogadas por el ruidoso zumbido sísmico de la Tierra y, por lo tanto, son difíciles de detectar con los detectores actuales. Específicamente, generar ondas de baja frecuencia requeriría bombear enormes cantidades de energía. Por estas razones, las ondas sísmicas de baja frecuencia han desaparecido en gran medida en los datos sísmicos generados por humanos.

Ahora los investigadores del MIT han ideado una solución de Machine Learning para llenar este vacío.

En un artículo que aparece en la revista Geophysics, describen un método en el que entrenaron una red neuronal en cientos de terremotos simulados diferentes. Cuando los investigadores presentaron a la red entrenada solo las ondas sísmicas de alta frecuencia producidas por un nuevo terremoto simulado, la red neuronal pudo imitar la física de la propagación de ondas y estimar con precisión las ondas de baja frecuencia que faltan en el terremoto.

El nuevo método podría permitir a los investigadores sintetizar artificialmente las ondas de baja frecuencia que están ocultas en los datos sísmicos, que luego pueden usarse para mapear con mayor precisión las estructuras internas de la Tierra.

"El sueño final es poder mapear todo el subsuelo y poder decir, por ejemplo, 'esto es exactamente lo que parece debajo de Islandia, así que ahora sabes dónde explorar en busca de fuentes geotérmicas'", dice el coautor Laurent Demanet, profesor de matemáticas aplicadas en el MIT. "Ahora hemos demostrado que Deep Learning ofrece una solución para poder completar estas frecuencias faltantes".

El coautor de Demanet es el autor principal Hongyu Sun, un estudiante graduado en el Departamento de Ciencias de la Tierra, Atmosféricas y Planetarias del MIT.

Sun y Demanet adaptaron una red neuronal para el procesamiento de señales, específicamente, para reconocer patrones en datos sísmicos. Razonaron que si una red neuronal se alimentaba con suficientes ejemplos de terremotos, y las formas en que las ondas sísmicas de alta y baja frecuencia resultantes viajan a través de una composición particular de la Tierra, la red debería poder, como escriben en su documento, "extraer las correlaciones ocultas entre los diferentes componentes de frecuencia" y extrapolar las frecuencias faltantes si a la red solo se le dio el perfil sísmico parcial de un terremoto.

Los investigadores buscaron entrenar una red neuronal convolucional, o CNN, una clase de redes neuronales profundas que a menudo se usa para analizar información visual. Un CNN generalmente consiste en una capa de entrada y salida, y múltiples capas ocultas intermedias, que procesan entradas para identificar correlaciones entre ellas.

Entre sus muchas aplicaciones, las CNN se han utilizado como un medio para generar "deepfakes" visuales o auditivas, contenido que se ha extrapolado o manipulado a través de redes neuronales y de Deep Learning, para que parezca, por ejemplo, como si una mujer estuviera hablando con la voz de un hombre.

"Si una red ha visto suficientes ejemplos de cómo tomar una voz masculina y transformarla en una voz femenina o viceversa, puede crear una caja sofisticada para hacerlo", dice Demanet. "Mientras que aquí hacemos que la Tierra hable otra frecuencia, una que originalmente no pasó por ella".

Los investigadores entrenaron su red neuronal con las entradas que generaron utilizando el modelo Marmousi, un modelo geofísico bidimensional complejo que simula la forma en que las ondas sísmicas viajan a través de estructuras geológicas de densidad y composición variables.

En su estudio, el equipo utilizó el modelo para simular nueve "Tierras virtuales", cada una con una composición subsuperficial diferente. Para cada modelo de la Tierra, simularon 30 terremotos diferentes, todos con la misma fuerza, pero diferentes lugares de inicio. En total, los investigadores generaron cientos de diferentes escenarios sísmicos. Alimentaron la información de casi todas estas simulaciones en su red neuronal y dejaron que la red encontrara correlaciones entre las señales sísmicas.

Después de la sesión de entrenamiento, el equipo introdujo en la red neuronal un nuevo terremoto que simularon en el modelo de la Tierra pero que no incluyeron en los datos de entrenamiento originales. Solo incluyeron la parte de alta frecuencia de la actividad sísmica del terremoto, con la esperanza de que la red neuronal aprendiera lo suficiente de los datos de entrenamiento para poder inferir las señales de baja frecuencia faltantes de la nueva entrada.

Descubrieron que la red neuronal producía los mismos valores de baja frecuencia que el modelo Marmousi simuló originalmente.

"Los resultados son bastante buenos", dice Demanet. "Es impresionante ver hasta qué punto la red puede extrapolar a las frecuencias faltantes".

Como con todas las redes neuronales, el método tiene sus limitaciones. Específicamente, la red neuronal es tan buena como los datos que se le suministran. Si una nueva entrada es muy diferente de la mayor parte de los datos de entrenamiento de una red, no hay garantía de que la salida sea precisa. Para lidiar con esta limitación, los investigadores dicen que planean introducir una mayor variedad de datos en la red neuronal, como terremotos de diferentes intensidades, así como subsuperficies de composición más variada.

A medida que mejoran las predicciones de la red neuronal, el equipo espera poder utilizar el método para extrapolar señales de baja frecuencia de datos sísmicos reales, que luego se pueden conectar a modelos sísmicos para mapear con mayor precisión las estructuras geológicas debajo de la superficie de la Tierra. Las bajas frecuencias, en particular, son un ingrediente clave para resolver el gran rompecabezas de encontrar el modelo físico correcto.

"El uso de esta red neuronal nos ayudará a encontrar las frecuencias faltantes para finalmente mejorar la imagen del subsuelo y encontrar la composición de la Tierra", dice Demanet.