Studija pokazuje da physics-informed neural network (PINN) može rekonstruisati skrivenu istoriju toka i temperature u Zemljinom plaštu koristeći ograničene, sintetičke opservacije — površinska kretanja i današnje temperaturno polje. Test je izveden u kontrolisanoj dvodimenzionalnoj simulaciji, gde je tačan odgovor poznat, i model je postigao visoku preciznost. Iako su rezultati obećavajući, primena na stvarne geofizičke podatke zahtevaće kompleksnije modele i detaljnu procenu nesigurnosti.
AI Vođen Fizikom Otkriva Skriveni Tok Zemljinog Plašta — Uspeh U Kontrolisanoj Simulaciji
A physics-informed neural network rebuilt simulated mantle flow from limited surface and temperature clues. (CREDIT: Journal of Geophysical Research Machine Learning and Computation)
Unutrašnjost Zemlje pomera se sporo — često brzinom sličnom rastu noktiju, samo nekoliko centimetara godišnje — ali ta dugotrajna cirkulacija oblikuje tektonske ploče, pokreće vulkane i utiče na zemljotrese. Novo istraživanje pokazuje kako kombinacija veštačke inteligencije i osnovnih fizičkih jednačina može rekonstruisati skrivenu istoriju toka i temperature u plaštu u kontrolisanoj simulaciji.
Schematic illustration of the problem setting, model configuration, and inverse-PINN framework. (CREDIT: Journal of Geophysical Research Machine Learning and Computation)
Metod i šta je urađeno
Istraživač sa University of Tsukuba razvio je tzv. physics-informed neural network (PINN) — neuralnu mrežu koja se uči iz podataka, ali istovremeno mora da zadovolji fizikalne jednačine koje opisuju prenos toplote i tok u plaštu (npr. jednačine toplotne konvekcije i zakoni mehanike fluida). Umesto da se oslanja isključivo na opservacije, model je „vođen" fizikom i time ograničen da daje fizički moguće rekonstukcije.
Time evolution of mantle convection in the reference forward simulation and as reconstructed by the inverse PINN. (CREDIT: Journal of Geophysical Research Machine Learning and Computation)
Testiranje u simulaciji
Autori su prvo napravili računarske simulacije dvodimenzionalne toplotne konvekcije plašta i koristili ih kao referencu — u simulaciji je bila poznata puna istorija temperature i toka. Zatim su modelu dali ograničene, sintetičke podatke: 1) kretanje blizu površine plašta (simulirano površinsko pomeranje) i 2) današnju snimku raspodele temperature u plaštu. Model nije dobio direktne informacije o istorijskim temperaturama niti o dubinskim tokovima kroz vreme.
Comparison of diagnostic quantities between the reference forward simulation ("true" state) and inverse-PINN reconstructions under different data-assimilation settings. (CREDIT: Journal of Geophysical Research Machine Learning and Computation)
Rezultati
Uprkos ograničenim podacima, inverse-PINN je uspešno rekonstruisao skrivenu evoluciju temperature i toka sa visokim stepenom slaganja u odnosu na poznatu simulaciju. Ključni razlog uspeha bio je kombinovanje komplementarnih izvora informacija: površinska kretanja su ograničila moguće putanje materijala kroz vreme, dok je današnje temperaturno polje "učvrstilo" konačnu unutrašnju strukturu — a fizičke jednačine su povezale ta dva ograničenja u jedinstvenu, koherentnu istoriju.
Training dynamics of the inverse PINN leading to the Run 2 reconstruction. (CREDIT: Journal of Geophysical Research Machine Learning and Computation)
Ograničenja i sledeći koraci
Važno je naglasiti da je rad izveden u pojednostavljenom dvodimenzionalnom modelu sa sintetičkim podacima. Pravi Zemljin plašt je trodimenzionalan i uključuje dodatne komplikacije: promene svojstava stena s pritiskom i temperaturom, hemijsku heterogenost, interakcije s granicama ploča i druge procese. Prelazak sa sintetičkih testova na realne geofizičke podatke zahtevaće složenije modele, bolju obradu nesigurnosti i pažljivu kalibraciju observationalnih izvora (npr. seizmičkih i geoloških podataka).
Zašto je ovo važno
Metod pokazuje potencijal da se ograničene površinske i unutrašnje opservacije objedine u fizički dosledne rekonstrukcije evolucije plašta. Takav pristup može pomoći zemljopisnim naučnicima da bolje povežu promene u dubini sa događajima na površini — kao što su reorganizacije ploča, vulkanske epohe i obrasci seizmičke aktivnosti — i da testiraju koje istorije plašta su stvarno fizički moguće, a ne samo kompatibilne sa ograničenim podacima.
Objavljeno: Journal of Geophysical Research: Machine Learning And Computation. Istraživanje je još u ranoj fazi, ali otvara put za dalji razvoj PINN pristupa u geodinamici.
Pomozite nam da budemo bolji.
