Las computadoras pueden ser entrenadas para detectar mejor detonaciones nucleares distantes, explosiones químicas y erupciones de volcanes aprendiendo de señales de explosiones artificiales, según un nuevo método ideado por un científico de la Universidad de Alaska Fairbanks.
El trabajo, dirigido por el investigador postdoctoral del Instituto Geofísico de la UAF Alex Witsil, fue publicado recientemente en la revista Cartas de investigación geofísica.
Witsil, en el Centro Técnico Wilson Alaska del Instituto Geofísico, y sus colegas crearon una biblioteca de señales sintéticas de explosión de infrasonidos para entrenar a las computadoras en el reconocimiento de la fuente de una señal de infrasonidos. El infrasonido tiene una frecuencia demasiado baja para que los humanos lo escuchen y viaja más lejos que las ondas audibles de alta frecuencia.
«Utilizamos un software de modelado para generar 28.000 señales sintéticas de infrasonido que, aunque se generaron en una computadora, hipotéticamente podrían ser grabadas por micrófonos de infrasonido desplegados a cientos de kilómetros de una gran explosión», dijo Witsil.
Las señales artificiales reflejan variaciones en las condiciones atmosféricas, que pueden alterar la señal de una explosión a nivel regional o global a medida que se propagan las ondas sonoras. Esos cambios pueden dificultar la detección del origen y el tipo de una explosión desde una gran distancia.
¿Por qué crear sonidos artificiales de explosiones en lugar de usar ejemplos del mundo real? Debido a que no se han producido explosiones en todos los lugares del planeta y la atmósfera cambia constantemente, no hay suficientes ejemplos del mundo real para entrenar algoritmos de detección de aprendizaje automático generalizados.
«Decidimos usar sintéticos porque podemos modelar varios tipos diferentes de atmósferas a través de las cuales se pueden propagar las señales», dijo Witsil. «Entonces, aunque no tenemos acceso a ninguna explosión que haya ocurrido en Carolina del Norte, por ejemplo, puedo usar mi computadora para modelar las explosiones de Carolina del Norte y construir un algoritmo de aprendizaje automático para detectar señales de explosión allí».
Hoy en día, los algoritmos de detección generalmente se basan en conjuntos de infrasonidos que consisten en múltiples micrófonos cerca uno del otro. Por ejemplo, la Organización Internacional del Tratado de Prohibición Completa de Pruebas, que monitorea las explosiones nucleares, tiene conjuntos de infrasonidos desplegados en todo el mundo.
«Eso es costoso, es difícil de mantener y muchas más cosas pueden romperse», dijo Witsil.
El método de Witsil mejora la detección al hacer uso de cientos de micrófonos de infrasonido de un solo elemento que ya están instalados en todo el mundo. Eso hace que la detección sea más rentable.
El método de aprendizaje automático amplía la utilidad de los micrófonos de infrasonido de un solo elemento al hacerlos capaces de detectar señales de explosión más sutiles casi en tiempo real. Actualmente, los micrófonos de un solo elemento son útiles solo para analizar retroactivamente señales conocidas y típicamente de gran amplitud, como lo hicieron con la erupción masiva del volcán Tonga en enero.
El método de Witsil podría implementarse en un entorno operativo para la defensa nacional o la mitigación de riesgos naturales.
Este trabajo fue financiado por la Agencia de Reducción de Amenazas de Defensa.
Fuente de la historia:
Materiales proporcionado por Universidad de Alaska Fairbanks. Original escrito por Rod Boyce. Nota: el contenido se puede editar por estilo y longitud.
