Нейросеть помогла учёным из Пенсильвании обнаружить шесть поясов между ядром и мантией

Группа геофизиков во главе с Юйжуй Гуань из Университета штата Пенсильвания совместно с американскими научными центрами использовала искусственный интеллект для анализа сейсмических волн, регистрируемых по всему миру с 1990 по 2024 годы. Традиционный способ изучения границы ядра и мантии – измерения скорости прохождения землетрясений – ограничен сильным шумом и невозможностью прямого доступа к глубинам в 2 800 км. Нейросеть, обученная различать форму волн‑предвестников и подавлять фоновые помехи, позволила автоматически извлекать слабые сигналы, которые раньше оставались незамеченными.

Для обучения модели было собрано более двух миллионов сейсмических записей, после чего нейросеть отфильтровала почти 175 000 слабых предвестников. Это почти в десять раз превышает объём всех ранее существовавших баз данных, собранных вручную. Полученные данные были объединены в единую глобальную карту, где выявлены шесть протяжённых аномальных поясов, простирающихся под Северной и Южной Атлантикой, севером Евразии, южной Африкой, Тихим океаном и по периметру Антарктиды.

Учёные сопоставили часть обнаруженных структур с известными зонами сверхнизкой скорости, где сейсмические волны резко замедляются. По их мнению, эти пояса представляют собой остатки древних тектонических плит, погружённые на дно мантии сотни миллионов лет назад, а также области расплавленных пород и отложений тяжёлых химических элементов. Такая композиция объясняет аномальное замедление волн и указывает на сложную историю геодинамики планеты.

Создание самой детализированной карты глубинных аномалий планеты открывает новые возможности для моделирования конвекции в мантии, прогнозирования вулканической активности и понимания процессов глобального теплообмена. Точные данные о структуре границы ядра и мантии позволяют улучшать геофизические модели, что в дальнейшем может повлиять на оценку рисков землетрясений и разработку более надёжных систем раннего предупреждения.

Для специалистов в области геофизики и технологий это открытие демонстрирует, как методы машинного обучения могут преобразовать традиционные научные исследования, делая возможным обработку огромных массивов данных без человеческого вмешательства. Ожидается, что подобные подходы будут применяться и к другим планетарным объектам, расширяя наше представление о внутренней структуре Земли и её соседей.