استفاده از هوش مصنوعی برای تشخیص بهتر انفجارها

بر اساس روش جدیدی که توسط دانشمند فیربنکس دانشگاه آلاسکا ابداع شده است، می توان با یادگیری از سیگنال های انفجار مصنوعی، رایانه ها را برای تشخیص بهتر انفجارهای هسته ای دوردست، انفجارهای شیمیایی و فوران های آتشفشانی آموزش داد.
این کار که توسط محقق فوق دکتری مؤسسه ژئوفیزیک UAF، Alex Witsil رهبری می‌شود، اخیراً در مجله Geophysical Research Letters منتشر شده است.
ویتسیل، در مرکز فنی ویلسون آلاسکا در موسسه ژئوفیزیک، و همکارانش مجموعه ای از سیگنال های انفجار مادون صوت مصنوعی ایجاد کردند تا کامپیوترها را در تشخیص منبع سیگنال فروصوت آموزش دهند. فرکانس مادون صوت بسیار کم است که توسط انسان شنیده نمی شود و از امواج شنیداری با فرکانس بالا دورتر حرکت می کند.
ویتسیل گفت: «ما از نرم‌افزار مدل‌سازی برای تولید ۲۸۰۰۰ سیگنال مادون صوت مصنوعی استفاده کردیم که اگرچه در رایانه تولید می‌شوند، اما به طور فرضی می‌توان آن‌ها را توسط میکروفون‌های فروصوت که صدها کیلومتر از یک انفجار بزرگ مستقر شده‌اند، ضبط کرد.
سیگنال‌های مصنوعی تغییرات در شرایط جوی را منعکس می‌کنند که می‌تواند سیگنال انفجار را در سطح منطقه‌ای یا جهانی با انتشار امواج صوتی تغییر دهد. این تغییرات می تواند تشخیص منشاء و نوع انفجار را از فاصله دور دشوار کند.
از آنجایی که انفجارها در هر نقطه از سیاره زمین اتفاق نیفتاده است و جو دائماً تغییر می کند، نمونه های واقعی کافی برای آموزش الگوریتم های تشخیص یادگیری ماشینی تعمیم یافته وجود ندارد.برای همین ار انفجارهای مصنوعی استفاده می کنیم.
ویتسیل گفت: «ما تصمیم گرفتیم از مواد مصنوعی استفاده کنیم، زیرا می‌توانیم انواع مختلفی از جوها را مدل‌سازی کنیم که سیگنال‌ها از طریق آن منتشر می‌شوند. بنابراین حتی اگر به هیچ انفجاری که رخ داده است دسترسی نداریم، من می‌توانم از رایانه خود برای مدل‌سازی انفجارهااستفاده کنم و یک الگوریتم یادگیری ماشینی برای تشخیص سیگنال‌های انفجار در آنجا بسازم.»
امروزه، الگوریتم‌های تشخیص عموماً به آرایه‌های فروصوت متشکل از چندین میکروفون نزدیک به یکدیگر متکی هستند.
ویتسیل می‌گوید: «این گران است، نگهداری از آن سخت است و چیزهای بیشتری ممکن است خراب شوند.»
روش Witsil با استفاده از صدها میکروفن مادون صوت تک عنصری در حال حاضر در سراسر جهان، تشخیص را بهبود می بخشد و آن  را مقرون به صرفه تر می کند.
روش یادگیری ماشینی، مفید بودن میکروفن‌های مادون‌صوت تک عنصری را با توانایی تشخیص سیگنال‌های انفجاری دقیق‌تر در زمان واقعی، گسترش می‌دهد. میکروفون‌های تک عنصری در حال حاضر تنها برای تجزیه و تحلیل عطف به گذشته سیگنال‌های شناخته‌شده و معمولاً با دامنه بالا مفید هستند.
روش Witsil می تواند در یک محیط عملیاتی برای دفاع ملی یا کاهش خطرات طبیعی به کار گرفته شود.
این پروژه توسط آژانس کاهش تهدیدات دفاعی تامین مالی شده است.