Megha Chakraborty promovierte am 26. November an der Goethe-Universität mit Auszeichnung. In ihrer Forschung am FIAS nutzte sie Deep Learning als Werkzeug, um seismologische Daten zu entschlüsseln. Beeindruckende Veröffentlichungen spiegeln ihre erfolgreichen Leistungen wider.

Die kumulative Dissertation von Megha Chakraborty besteht aus fünf Forschungsarbeiten zu den zwei großen Bereichen der Seismologie, Erdbebenüberwachung und -charakterisierung sowie Analyse der Scherwellenaufspaltung. Eine schnelle und zuverlässige Charakterisierung von Parametern wie Entstehungszeit, Magnitude und Quelleneigenschaften aus kontinuierlichen Aufzeichnungen dient der Erdbebenfrühwarnung. Die Scherwellenaufspaltung untersucht die zugrunde liegenden seismischen Strukturen in einer Region und liefert wertvolle Einblicke in die dynamischen Prozesse im Erdmantel; dieses Gebiet ist durch Deep Learning noch relativ unerschlossen. 

Ein wichtiges Ergebnis ihrer Forschung ist SAIPy, ein Open-Source-Python-Paket, das sie zusammen mit ihrem Kollegen Wei Li entwickelte. Es bietet eine einfache Schnittstelle für die Anwendung von Deep-Learning-Modellen bietet. Zudem gelang es, Erdbeben vor dem Hintergrundrauschen mit einer Genauigkeit von 99,8 % zu identifizieren und ihre Stärke einzuschätzen, was für die Frühwarnung bedeutsam ist. Die Gruppe zeigte die Anwendbarkeit auf die Nachbeben des Türkei-Erdbebens von 2023.

Das weiterentwickelte System erlaubt Seismologen, vortrainierte Modelle zu verwenden, sie auf neue Daten umzutrainieren und große Mengen kontinuierlicher Daten zu überwachen. Dieses System wird bereits eingesetzt. Eine Erweiterung ermöglicht es, entstehende Erdbeben vor dem seismischen Hintergrundrauschen zu identifizieren und ihre Stärke einzuschätzen - was für die Frühwarnung sehr wichtig ist. 

Ein weiteres Modell nutzt eine Faltungscodierungsarchitektur, um die vertikale Bewegung ganz frühe Erdbebenwellen zu erfassen, die für das Verständnis der Verwerfungsmechanismen hinter kleineren kleineren Erdbeben wichtig sind. Dieses Deep-Learning-Modell klassifiziert die ersten Wellen automatisch und effizient, was die Vorhersagen erheblich beschleunigt. 

Die jüngste Veröffentlichung von Chakraborty beschreibt ein Deep-Learning-Modell, das aus Wellenformen bestimmte Parameter berechnet, die für die Untersuchung der inneren Struktur und Dynamik des Erdinneren entscheidend sind. Der Vergleich dieser Methode mit bereits veröffentlichten Ergebnissen ist sehr vielversprechend. Es ist der erste Versuch, Deep Learning zur Entschlüsselung von Spaltparametern aus Wellenformen einzusenden, und dient als wichtige Grundlage für die Anwendbarkeit solcher Methoden.

Chakraborty promovierte in der Forschungsgruppe Seismologie und Künstliche Intelligenz von FIAS-Fellow Nishtha Srivastava, die die Dissertation am Fachbereich Geowissenschaften zusammen mit FIAS-Fellow Prof. Dr. Georg Rümpker betreute. Einige ihrer Arbeiten präsentierten FAZ und deutschland.de einer breiteren Öffentlichkeit.

"Meinen Mentoren, Freundinnen und Kollegen am FIAS bin ich sehr dankbar für ihre unermüdliche Unterstützung auf dem Weg zur Promotion", so Chakraborty. Seit einem Jahr arbeitet sie in einem Berliner Unternehmen, das Chatbots für Versicherungsunternehmen entwickelt und dabei umfangreiche Sprachmodelle verwendet: "Das ist eine großartige Erfahrung, und ich bin gespannt, was die Zukunft der KI bringt".

Veröffentlichungen:

• M. Chakraborty, W. Li, J. Faber, G. Rümpker, H. Stoecker and N. Srivastava, 2022. A study on the effect of input data length on a deep-learning-based magnitude classifier. Solid Earth, 13(11), pp.1721-1729.
• M. Chakraborty, C. Q. Cartaya, W. Li, J. Faber, G. Rümpker, H. Stoecker, N. Srivastava, PolarCAP – A deep learning approach for first motion polarity classification of earthquake waveforms, Artificial Intelligence in Geosciences, Volume 3, 2022a, Pages 46-52, ISSN 2666-5441, https://doi.org/10.1016/j.aiig.2022.08.001.
• M. Chakraborty, D. Fenner, W. Li, J. Faber, K. Zhou, G. Rümpker, et al. (2022b). CREIME—A Convolutional Recurrent model for Earthquake Identification and Magnitude Estimation. Journal of Geophysical Research: Solid Earth, 127, e2022JB024595. https://doi.org/10.1029/2022JB024595
• W. Li*, M. Chakraborty*, C. Q. Cartaya, J. Köhler, J. Faber, M. A. Meier, G. Rümpker, N. Srivastava, SAIPy: A Python package for single-station earthquake monitoring using deep learning, Computers & Geosciences, Volume 192, 2024, 105686, https://doi.org/10.1016/j.cageo.2024.105686.
• M. Chakraborty, G. Rümpker, W. Li, J. Faber, N. Srivastava, and F. Link, “Feasibility of Deep Learning in Shear Wave Splitting analysis using Synthetic-Data Training and Waveform Deconvolution”, Seismica, vol. 3, no. 1, Mar. 2024.