Machine Learning Classification of Global Seismic Phases: A Cross-Validated, Physics-Informed Evaluation Using the IMS2.0 Automatic Arrival Bulletin
यह अध्ययन IMS2.0 ऑटोमैटिक अराइवल बुलेटिन से भौतिक और सांख्यिकीय मेटाडेटा पर प्रशिक्षित एक रैंडम फॉरेस्ट क्लासिफायर का मूल्यांकन करता है, जो वैश्विक भूकंपीय चरणों (सीस्मिक फेजेस) की पहचान करने में 87% सटीकता प्रदर्शित करता है और CTBTO निगरानी क्षमताओं को बढ़ाने के लिए भूकंप विज्ञान के सिद्धांतों के साथ मशीन लर्निंग को संयोजित करने की क्षमता को रेखांकित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
पृथ्वी निरंतर बोल रही है, जब भी जमीन हिलती है—चाहे वह किसी दूर के भूकंप से हो, ज्वालामुखी की गड़गड़ाहट से, या समुद्र की गहरी गूंज से—तो वह ऊर्जा की लहरें भेजती है। इस बातचीत को सुनने के लिए, वैज्ञानिकों ने 'इंटरनेशनल मॉनिटरिंग सिस्टम' नामक संवेदनशील उपकरणों का एक वैश्विक नेटवर्क बनाया है। यह नेटवर्क, परमाणु परीक्षण के विरुद्ध एक संधि के सत्यापन के लिए समर्पित एक संगठन द्वारा संचालित किया जाता है, जो ग्रह पर चौबीसों घंटे नज़र रखता है। इसका काम इन कंपनों को पकड़ना, यह पता लगाना कि वे कहाँ से आए, और यह तय करना है कि किस तरह की घटना ने उन्हें उत्पन्न किया। यह प्रणाली अविश्वसनीय रूप से व्यस्त है, जो डेटा का एक निरंतर प्रवाह उत्पन्न करती है जिसमें तरंग के आगमन का समय, उसकी तीव्रता और वह किस दिशा से आई, इसकी जानकारी शामिल होती है। हालांकि, सूचना के इस सैलाब को छाँटना कठिन है। प्रणाली को विभिन्न प्रकार की तरंगों के बीच अंतर करना चाहिए, जैसे कि पृथ्वी के कोर से होकर गुजरने वाली तेज़ गति वाली प्राथमिक तरंगें (primary waves), धीमी तरंगें जो क्रस्ट (पपड़ी) के ऊपर से गुजरती हैं, और रहस्यमय तरंगें जो महासागर के माध्यम से यात्रा करती हैं। कभी-कभी, संकेत इतने धुंधले या पृष्ठभूमि के शोर (background noise) के साथ मिश्रित होते हैं कि बेहतरीन स्वचालित कंप्यूटर प्रोग्राम भी उन्हें अलग करने में संघर्ष करते हैं।
नैरोबी विश्वविद्यालय के शोधकर्ताओं की एक टीम ने यह परीक्षण करने का निर्णय लिया कि क्या आधुनिक कंप्यूटर लर्निंग इस छँटाई की समस्या को हल करने में मदद कर सकती है। उन्होंने अगस्त 2026 के एक एकल दिन में निगरानी प्रणाली द्वारा एकत्र किए गए डेटा के एक विशिष्ट, उच्च-गति वाले स्नैपशॉट पर ध्यान केंद्रित किया। इस स्नैपशॉट में दुनिया भर के स्टेशनों से लगभग पंद्रह हजार व्यक्तिगत तरंग पहचान (wave detections) शामिल थीं। कंप्यूटर में कच्चे ध्वनि रिकॉर्डिंग (raw sound recordings) डालने के बजाय, जो भारी मात्रा में डेटा और प्रसंस्करण शक्ति की मांग करता है, शोधकर्ताओं ने उन सारांश नोट्स का उपयोग किया जो प्रणाली पहले से ही प्रत्येक पहचान के लिए बनाती है। इन नोट्स में सरल संख्याएँ शामिल हैं जैसे कि तरंग किस दिशा से आई, वह कितनी तेज़ थी, वह कितनी तेज़/ज़ोरदार थी, और वह कितनी देर तक रही। उन्होंने एक कंप्यूटर मॉडल, जिसे 'रैंडम फॉरेस्ट' (Random Forest) के रूप में जाना जाता है, को प्रशिक्षित किया ताकि वह इन संख्याओं को देखकर तरंग के प्रकार का अनुमान लगा सके। लक्ष्य यह देखना था कि क्या एक मशीन वर्तमान में निगरानी प्रणाली में उपयोग किए जाने वाले नियमों की तुलना में इन नोट्स में सूक्ष्म पैटर्न को बेहतर ढंग से सीख सकती है, और यह समझना कि मशीन कहाँ सफल रही और कहाँ वह भ्रमित हुई।
परिणामों ने दिखाया कि कंप्यूटर मॉडल सबसे सामान्य और विशिष्ट प्रकार की तरंगों की पहचान करने में उल्लेखनीय रूप से सक्षम था। जब संकेत स्पष्ट थे और वैश्विक स्तर पर लंबी दूरी तय करके आए, तो मॉडल ने लगभग पचानवे प्रतिशत बार उन्हें सही ढंग से पहचाना। यह विशेष रूप से उन प्राथमिक तरंगों को पहचानने में सफल रहा जो गहरे पृथ्वी के माध्यम से यात्रा करती हैं और उन क्षेत्रीय तरंगों (regional waves) को जो क्रस्ट के माध्यम से चलती हैं। शोधकर्ताओं ने पाया कि मॉडल दो विशिष्ट सुरागों पर बहुत अधिक निर्भर था: तरंग किस दिशा से आई और उसकी गति। यह पूरी तरह से तर्कसंगत है, क्योंकि ये दो कारक भूकंपीय तरंगों के विभिन्न प्रकारों के बीच अंतर करने का सबसे विश्वसनीय तरीका हैं। कंप्यूटर ने सीखा कि एक निश्चित गति से और विशिष्ट दिशाओं से यात्रा करने वाली तरंगें लगभग हमेशा एक विशिष्ट श्रेणी की होती हैं, जो इस बात की पुष्टि करता है कि मशीन केवल अनुमान नहीं लगा रही थी, बल्कि वास्तव में उन भौतिक नियमों को सीख रही थी जो पृथ्वी के माध्यम से ऊर्जा के संचलन को नियंत्रित करते हैं।
हालाँकि, अध्ययन ने यह भी उजागर किया कि तकनीक कहाँ बाधाओं का सामना करती है। मॉडल दो विशिष्ट प्रकार की पहचानों के साथ काफी संघर्ष करता है: टी-फेज़ (T-phase), जो महासागर के माध्यम through यात्रा करने वाली तरंगें हैं, और एन-क्लास (N-class), जो ऐसे संकेत हैं जो यादृच्छिक पृष्ठभूमि शोर की तरह दिखते हैं। कंप्यूटर अक्सर इन दोनों के बीच भ्रमित हो जाता था, या उन्हें पूरी तरह से गलत लेबल कर देता था, जिससे अन्य तरंगों की तुलना में इसकी सफलता दर बहुत कम रही। शोधकर्ताओं ने इसकी जांच की कि ऐसा क्यों हुआ और पाया कि समस्या कंप्यूटर के मस्तिष्क में कोई दोष नहीं थी, बल्कि उसे दी गई जानकारी की एक सीमा थी। टी-फेज़ और शोर (noise) पहचानों के लिए उपयोग किए जाने वाले सारांश नोट्स में उन्हें अलग करने के लिए पर्याप्त विवरण नहीं थे। महासागर के माध्यम से यात्रा करने वाली तरंगें और यादृच्छिक शोर अक्सर अपनी गति और दिशा के मामले में बहुत समान दिखते हैं, और नोट्स में तरंग के आकार के गहरे विवरणों की कमी थी जो कंप्यूटर को उनके बीच अंतर करने में सक्षम बना सकें।
यह अंतर वैश्विक निगरानी के भविष्य के लिए अत्यंत महत्वपूर्ण है। यह अध्ययन सिद्ध करता है कि भूकंपीय घटनाओं के विशाल बहुमत के लिए, निगरानी प्रणाली द्वारा एकत्र किया गया मौजूदा डेटा पहले से ही एक अत्यधिक सटीक, स्वचालित वर्गीकरण प्रणाली का समर्थन करने के लिए पर्याप्त समृद्ध है। एक कंप्यूटर अब स्पष्ट संकेतों को छाँटने और महत्वपूर्ण संकेतों को चिह्नित करने के लिए भरोसा किया जा सकता है, जिससे मानव विश्लेषकों को हर एक पहचान की समीक्षा करने की आवश्यकता से संभावित रूप से राहत मिल सकती है। फिर भी, शोध स्पष्ट रूप से उस सीमा को परिभाषित करता है जो वर्तमान डेटा के साथ संभव है। महासागरीय तरंगों और मंद पृष्ठभूमि संकेतों की पहचान में सुधार करने के लिए, प्रणाली को सरल सारांश नोट्स से आगे बढ़कर स्वयं ध्वनि तरंगों के वास्तविक आकार का विश्लेषण करने की आवश्यकता होगी। जब तक ऐसा नहीं होता, कंप्यूटर पृथ्वी की स्पष्ट आवाज़ को सुनने में तो उत्कृष्ट रहेगा, लेकिन उसके सूक्ष्म संकेतों (whispers) को समझने के लिए उसे अभी भी मानवीय सहायता की आवश्यकता होगी।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।