Improving Deep Learning-Based Seismic Phase Picking by Addressing Label Imbalance

لغة الأرض السرية والنوتات المفقودة

تخيل أن الأرض طبلة عملاقة ومضطربة. عندما تتحرك أو تتصدع أو تستقر، فإنها ترسل تموجات — موجات زلزالية — تنتقل عبر الأرض مثل الصوت عبر الهواء. علماء الزلازل هم المستمعون الذين يحاولون سماع هذه التموجات لفهم ما يحدث في أعماق الأرض. لعقود من الزمن، كانت مهمتهم تشبه محاولة العثور على همسة محددة في غرفة مزدحمة وصاخبة؛ حيث كان عليهم التحديق في خطوط متعرجة على الشاشة، وتحديد اللحظة الدقيقة لظهور "موجة P" (الوصول الأول السريع) أو "موجة S" (الوصول الأبطأ والمهتز) يدويًا. لقد كان عملًا بطيئًا ومرهقًا، ومع وجود مستشعرات حديثة تسجل الأرض على مدار الساعة طوال أيام الأسبوع، كان هناك ببساطة الكثير من البيانات التي لا تستطيع العيون البشرية استيعابها.

هنا يأتي دور التعلم العميق، وهو نوع من "الأدمغة الحاسوبية" التي يمكنها تعلم رصد الأنماط بشكل أسرع من أي إنسان. لقد أصبح هؤلاء المحققون الرقميون بارعين للغاية في قراءة إيقاع طبل الأرض، والعثور على الزلازل التي قد يغفل عنها البشر. لكن هناك عقبة: عندما تصبح الأرض صاخبة حقًا — كما يحدث أثناء زلزال ضخم تتبعه مئات الهزات الارتدادية الأصغر — فإن "الضجيج" الناتج عن الحدث الكبير يغمر الهمسات الصغيرة للهزات اللاحقة. يصاب الكمبيوتر بالارتباك، وغالبًا ما يفتقد الإشارات الصغيرة لأنه تدرب على الانتباه إلى الصمت بين الضجيج أكثر من انتباهه للضجيج نفسه. يسأل هذا البحث سؤالًا بسيطًا: هل يمكننا تعليم الكمبيوتر أن يستمع بتركيز أكبر إلى الأجزاء الهادئة دون تغيير الكمبيوتر نفسه؟

ضبط الأذن: طريقة جديدة لتعليم الكمبيوتر

أدرك الباحثون وراء هذه الدراسة، بقيادة شينيا كاتوه وفريقه من جامعة طوكيو وجامعة كيوتو، أن المشكلة لم تكن في "دماغ" الكمبيوتر (بنيته)، بل في كيفية تعليمهم له. وقد قارنوا عملية التدريب بمعلم يصحح واجبات طالب.

في الطريقة القياسية لتدريب هذه النماذج، ينظر الكمبيوتر إلى قطعة مدتها 30 ثانية من بيانات الزلزال. في تلك القطعة، يشغل "الخلفية" (الأجزاء الهادئة والمملة حيث لا يحدث شيء) حوالي 98% من الوقت. أما إشارات الزلازل الفعلية (موجات P وموجات S) فهي عبارة عن نبضات حادة وصغيرة قد تشغل 1% فقط لكل منها. عندما يحاول الكمبيوتر التعلم، فإنه يحصل على "درجة" بناءً على مدى دقة تنبؤه بالـ 30 ثانية كاملة. ولأن الخلفية ضخمة جدًا، يتعلم الكمبيوتر أن أسهل طريقة للحصول على درجة جيدة هي مجرد تخمين "الخلفية" طوال الوقت. يصبح الكمبيوتر كسولًا، ويتجاهل النبضات الصغيرة المهمة لأنها لا تهم كثيرًا في درجاته الإجمالية. الأمر يشبه طالبًا يدرس الفصول المملة فقط من الكتاب المدرسي لأن الاختبار يدور في معظمه حول تلك الفصول، فيفوت تمامًا الحبكات الدرامية المثيرة والحاسمة.

ولإصلاح ذلك، ابتكر الفريق "نظام درجات" جديدًا يسمى الخسارة المرجحة بالمساحة للتقاطع الناعم (area-weighted soft cross-entropy loss). بدلًا من معاملة كل ثانية من التسجيل بالتساوي، تمنح هذه الطريقة الجديدة الكمبيوتر مكافأة ضخمة لإصابته في النبضات الصغيرة والمهمة. إنه يشبه قولك للطالب: "إذا أصبت في الجزء الممل من الخلفية، ستحصل على نقطة واحدة. ولكن إذا رصدت موجة P أو موجة S الصغيرة، فستحصل على مائة نقطة!". هذا يجبر الكمبيوتر على إبداء اهتمام شديد لأوقات وصول الموجات، رغم ندرتها.

ماذا وجدوا: التقاط المزيد من الهمسات

اختبر الفريق "نظام الدرجات" الجديد هذا على نموذجين مشهورين للكشف عن الزلازل، وهما SegPhase و PhaseNet. لم يغيروا أدمغة النماذج، بل غيروا قواعد اللعبة فقط.

كانت النتائج تحولًا واضحًا في السلوك. أصبحت النماذج التي تدربت باستخدام القواعد المرجحة الجديدة أكثر حساسية بكثير.

• توقيت أكثر دقة: عندما كانت النماذج تتنبأ بوقت الوصول، كانت أكثر دقة بكثير. انخفض "التشتت" أو انتشار أخطائها بشكل ملحوظ. بالنسبة لنموذج SegPhase، تقلص تشتت الخطأ لموجات P من 0.20 ثانية إلى 0.07 ثانية، وبالنسبة لموجات S، انخفض من 0.27 ثانية إلى 0.05 ثانية.
• المقايضة: ومع ذلك، فإن كون النماذج أكثر حساسية جاء بتكلفة. بدأت النماذج "ترى" أشياء ليست موجودة تمامًا. أصبحت أفضل في التقاط الزلازل الحقيقية (زيادة في الاستدعاء - recall)، لكنها بدأت أيضًا في تصنيف بعض الضوضاء كزلازل (انخفاض في الدقة - precision). إنه يشبه جهاز كشف المعادن الذي يتمتع بحساسية عالية لدرجة أنه يصدر صوتًا عند اكتشاف علبة صودا بقدر ما يصدره عند اكتشاف عملة ذهبية. وجد الباحثون أن النماذج أصبحت "موجهة نحو الاستدعاء"، مما يعني أنها أقل عرضة لتفويت حدث حقيقي، حتى لو تطلب ذلك التحقق من بعض الإنذارات الكاذبة لاحقًا.

الاختبار الواقعي: زلزال ريدج كريست

لمعرفة ما إذا كان هذا يعمل بالفعل في العالم الحقيقي، طبق الفريق نماذجهم الجديدة على البيانات المستمرة لـ تتابع زلزال ريدج كريست عام 2019 في كاليفورنيا. كان هذا حدثًا ضخمًا مع صدمة رئيسية وآلاف الهزات الارتدادية.

كانت النتائج مبهرة. اكتشفت النماذج المرجحة زلازل أكثر بكثير من النماذج الأصلية:

• وجد نموذج SegPhase ما معدله 34,008 زلزالاً باستخدام الطريقة الجديدة، مقارنة بـ 26,914 بالطريقة القديمة.
• وجد نموذج PhaseNet ما معدله 32,997 زلزالاً باستخدام الطريقة الجديدة، مقارنة بـ 23,622 بالطريقة القديمة.

حتى هذه الأرقام تفوقت على الإحصاءات الواردة في فهرسين موجودين تم إنشاؤهما بواسطة خبراء آخرين باستخدام طرق مختلفة. نجحت النماذج الجديدة في رسم خرائط لنفس مناطق الزلازل التي رسمها الخبراء، لكنها وجدت العديد من الأحداث الصغيرة فيما بينها. يشير هذا إلى أنه من خلال جعل النماذج أقل خوفًا من فقدان الإشارة، يمكنها مساعدة العلماء في بناء صورة أكثر اكتمالًا للنشاط الزلزالي.

الحدود: عندما يكون الضجيج صاخبًا جدًا

لكن القصة لا تنتهي بحل مثالي. كان الباحثون صادقين بشأن الحدود. وجدوا أنه بينما كانت الطريقة الجديدة رائعة في العثور على الزلازل الصغيرة في منتصف التسلسل، إلا أنها لا تزال تعاني مباشرة بعد الزلازل الأكبر والأكثر صخبًا.

بعد زلزال ضخم مباشرة، تستمر الأرض في الاهتزاز لفترة طويلة مع "موجات الكودا" (coda waves) — وهي ضوضاء فوضوية وعالية الطاقة تغمر الإشارات الصغيرة للهزة التالية. حتى مع منح "نقاط المكافأة" الجديدة لرصد الإشارات، لم يستطع الكمبيوتر سماع الهمسات الصغيرة لأن زئير الزلزال الكبير كان ببساة شديد الصخب والفوضى. تشير الورقة البحثية إلى أنه بينما يساعد تغيير قواعد التدريب، فإنه لا يستطيع حل مشكلة الإشارات المدفونة فيزيائيًا تحت بعضها البعض.

الخلاصة

تظهر هذه الورقة أنك لست بحاجة دائمًا لبناء دماغ حاسوبي أكبر أو أكثر تعقيدًا لحل مشكلة ما. أحيانًا، تحتاج فقط إلى تغيير كيفية تعليمه. من خلال إعادة وزن أهمية اللحظات الصغيرة والحاسمة في البيانات، جعل الباحثون النماذج الموجودة أفضل بكثير في رصد الزلازل، خاصة الصغيرة منها والتي يسهل تفويتها. إنها تذكير بأنه في عالم علم الزلازل الصاخب والفوضوي، قد تكون أفضل طريقة لسماع المستقبل هي الاستماع بتركيز أكبر إلى الأجزاء الهادئة من الماضي.