شناسایی دقیق‌تر آزمایش‌های هسته‌ای با هوش مصنوعی؛ تبدیل حسگرهای خاموش به ابزار ردیابی

پژوهشگران در یک مقاله پژوهشی جدید، روشی نوآورانه برای امتیازدهی نیکویی برازش ارائه کرده‌اند که با هدایت کارشناسان و بر اساس شرایط رده‌ها عمل می‌کند. این روش، میزان انطباق مدل‌های فیزیکی و داده‌های مربوط به عدم ثبت سیگنال در حسگرها را به ویژگی‌هایی کاربردی برای مدل‌های طبقه‌بندی مرسوم یادگیری ماشین تبدیل می‌کند. پیاده‌سازی این چارچوب در سامانه پایش لرزه‌ای معاهده جامع منع آزمایش‌های هسته‌ای (CTBT) نشان داد که این الگوریتم می‌تواند میزان رد رویدادهای کاذب و نامعتبر را تقریباً به دو برابر برساند؛ در حالی که بیش از ۹۵ درصد از رویدادهای معتبر همچنان به درستی شناسایی و حفظ می‌شوند.

سکوت ایستگاه‌های لرزه‌نگاری حامل اطلاعات است

معاهده جامع منع آزمایش‌های هسته‌ای (CTBT) هرگونه انفجار هسته‌ای را ممنوع اعلام کرده است و برای نظارت بر این موضوع، به سامانه‌ای جهانی متکی است که از شبکه‌ای گسترده از ایستگاه‌های لرزه‌نگاری تشکیل شده است. نرم‌افزارهای خودکار، سیگنال‌های دریافتی از این ایستگاه‌ها را دسته‌بندی و رویدادهای مشکوک احتمالی را مشخص می‌کنند تا کارشناسان انسانی پیش از ثبت نهایی در بولتن‌های عملیاتی، آن‌ها را بازبینی کنند. در مجموعه‌داده‌های مورد بررسی در این پژوهش، تحلیلگران بیش از ۵۸ درصد از گزینه‌های پیشنهادی سیستم‌های خودکار را به‌عنوان هشدارهای کاذب رد کردند که این حجم از بررسی دستی، بار کاری بسیار سنگینی بر دوش کارشناسان می‌گذارد.

پراکندگی ایستگاه‌های پایش در سطح زمین، تطبیق خودکار داده‌ها را با چالش‌های فراوانی روبه‌رو می‌کند. در این شرایط ممکن است سیگنال‌های چند رویداد کاملاً نامرتبط با یکدیگر ترکیب شوند و یک رویداد فرضی نامعتبر را بسازند؛ از سوی دیگر، عواملی مانند فاصله، حساسیت ایستگاه، نویز پس‌زمینه، عمق زمین‌لرزه و بزرگی رویداد همگی تعیین می‌کنند که آیا یک ایستگاه قادر به ثبت سیگنال خواهد بود یا خیر. به همین دلیل، تحلیلگران انسانی هنگام ارزیابی نه‌تنها سیگنال‌های ثبت‌شده، بلکه ایستگاه‌هایی را که هیچ علامتی ثبت نکرده و خاموش مانده‌اند نیز بررسی می‌کنند.

ثبت نشدن سیگنال در یک حسگر می‌تواند با مشخصات تخمینی رویداد در تناقض باشد. برای نمونه، اگر ایستگاهی در نزدیکی محل رویداد با سطح نویز بسیار پایین قرار داشته باشد، با توجه به بزرگی و موقعیت جغرافیایی فرضی باید بتواند آن را ثبت کند؛ بنابراین سکوت این ایستگاه، اعتبار فرضیه وقوع رویداد را به‌شدت زیر سؤال می‌برد. روش‌های رایج بازسازی داده‌های گمشده (Imputation)، این‌گونه داده‌های خالی را بدون توجه به دلیل ثبت نشدنشان جایگزین می‌کنند و با این کار، شواهد ارزشمندی را که می‌تواند ماهیت واقعی رویداد را آشکار سازد از بین می‌برند.

تبدیل محاسبات فیزیک به ویژگی‌های هوش مصنوعی

این چارچوب نوین، محاسبات درست‌نمایی ارائه‌شده توسط مدل‌های فیزیکی تخصصی را به مجموعه‌ای محدود از ویژگی‌های قابل تفسیر برای الگوریتم‌های هوش مصنوعی تبدیل می‌کند: