Czas czytania: 4 minuty

Jak muzyka doprowadziła Daniela DeLeona do badań oceanu z użyciem systemów uczących się

Gdy Daniel rozpoczynał naukę w szkole policealnej, nie wiedział, czym jest inżynieria. Teraz dokonuje przełomu, wykorzystując systemy uczące się do śledzenia zagrożonych wielorybów.

Gdy rodzice Daniela DeLeona, Betty i Narciso, pierwszy raz spotkali się podczas pielgrzymki w meksykańskim San Blas, ona nie mówiła po hiszpańsku, a on nie znał angielskiego. Dlatego komunikowali się w inny sposób – poprzez muzykę.

Daniel, obecnie 26-letni student w California Polytechnic State University, dorastał otoczony muzyką. Jego rodzice założyli tradycyjne meksykańskie trio muzyczne o nazwie Trio Guadalupeño, a ich cotygodniowe próby i występy podczas lokalnych quinceañera, chrztów i imprez tworzyły ścieżkę dźwiękową jego dzieciństwa.

Na lekcjach fizyki dowiedziałem się, jak fale dźwiękowe docierają do naszych uszu. To było niewiarygodne. Te fale wywołują emocje, które sprawiają, że jesteśmy szczęśliwi. Dodają nam energii.

Daniel DeLeon

To podczas lekcji fizyki w szkole policealnej miłość Daniela do muzyki przekształciła się w fascynację nauką o dźwięku. Wykształcenie muzyczne połączone z nowo poznaną dziedziną – akustyką – zapewniło mu doskonały staż w Monterey Bay Aquarium Research Institute (MBARI). Pomagał tam naukowcom – Danelle Cline i Johnowi Ryanowi – w badaniach nad oceanem, nasłuchując odgłosów wielorybów.

Wieloryby wykorzystują akustykę, by się porozumieć – podobnie jak moi rodzice podczas pierwszego spotkania. Zacząłem się zastanawiać nad ich muzyką i nad tym, jak ona jest ważna.

Daniel DeLeon

Daniel DeLeon słuchający przez słuchawki nawoływań płetwali
Przebieg fali dźwiękowej nawoływania płetwala Daniel DeLeon używający systemu uczącego się do identyfikowania nawoływań płetwali w zebranych dźwiękach oceanu
Daniel w Cabrillo College ze swoim nauczycielem fizyki Daniel zwiększający głośność nawoływania płetwala

Śledząc odgłosy zagrożonych płetwali błękitnych i zwyczajnych oraz zmieniające się wzorce ich migracji, naukowcy mogą wiele dowiedzieć się o wpływie człowieka na życie w morzach. Wiedząc o zamiłowaniu Daniela do muzyki, John i Danelle doszli do wniosku, że z przyjemnością spędzi on lato, słuchając dźwięków oceanu z hydrofonu należącego do instytutu. Jest to podwodny mikrofon znajdujący się na głębokości 900 metrów. Ale zadanie stojące przed Danielem było trochę bardziej skomplikowane niż zwykłe słuchanie.

Oceany zajmują 70% powierzchni ziemi i są bardzo głębokie. Jednak na głębokość 23 metrów nie dociera już 99 procent światła, natomiast dźwięk jest słyszalny z odległości tysięcy kilometrów. Dlatego ssaki morskie wykorzystują dźwięk przy wszystkich istotnych formach swojej aktywności. Wystarczy słuchać, by dowiedzieć się wiele o ich życiu.

John Ryan, biolog oceanograf

Rejestrując dźwięk przez całą dobę, hydrofon dostarcza naukowcom zbyt wiele danych. Dokładna analiza wszystkich nagranych dźwięków zajęłaby wiele lat. Dlatego zadaniem Daniela było wykorzystanie TensorFlow – systemu uczącego się typu open source opracowanego przez Google – do żmudnej analizy plików dźwiękowych i identyfikowania odgłosów wielorybów w okresie liczonym w dniach, a nie latach.

Gdy Daniel rozpoczynał staż, nie miał żadnego doświadczenia z TensorFlow, ale był dobry z matematyki. A system uczący się to po prostu zbiór algorytmów, które analizują dane i uczą się rozpoznawać wzorce.

Płetwale błękitne i zwyczajne to jedne z najgłośniejszych zwierząt na ziemi. Ich nawoływania o niskiej częstotliwości mogą pokonywać duże odległości w oceanach, co czyni z nich doskonały materiał badawczy. Hydrofon MBARI słyszy wieloryby z odległości do 500 kilometrów.

Fale dźwiękowe zarejestrowane przez hydrofon muszą zostać przekształcone w dane wizualne – spektrogram, czyli odwzorowanie dźwięku w czasie. Daniel wprowadza te spektrogramy do modelu TensorFlow, by nauczyć go, jak wyglądają nawoływania płetwali błękitnych i zwyczajnych. Podobnie jak psy, systemy uczące się uczą się przez powtarzanie. Im więcej przykładów dostarczy Daniel, tym model staje się dokładniejszy. Daniel wytrenował model TensorFlow, dostarczając ponad 18 000 wyizolowanych odgłosów wielorybów.

Systemy uczące się to rozwiązania umożliwiające komputerom śledzenie wzorców.

Daniel DeLeon

Z biegiem czasu Danielowi udało się nauczyć TensorFlow identyfikowania odgłosów wielorybów z dokładnością 98,05 procent. Model potrafi odróżnić płetwala błękitnego od zwyczajnego i pozwala określić godzinę nawoływania, jego głośność i czas trwania.

Płetwal błękitny

Płetwal zwyczajny

Jesteśmy w bardzo ważnym punkcie badań nad oceanami. Jest to również bardzo interesujący moment w dziedzinie systemów uczących się, bo w końcu zaczynamy rozwiązywać problemy, których nie mogliśmy ruszyć jeszcze pięć lat temu.

Danelle Cline, starszy inżynier oprogramowania

Badania Daniela nad systemami uczącymi się pomogły Johnowi i Danelle stworzyć podstawę automatycznego wykrywania i klasyfikowania odgłosów wielorybów. Mogą teraz poświęcić więcej czasu na badanie ważnych kwestii, takich jak zmiany pradawnych wzorców migracji tych potężnych stworzeń czy wpływ działań człowieka (np. zanieczyszczenia hałasem i zmian klimatycznych) na życie podwodne.

Daniel DeLeon z Monterey Bay Research Institute patrzy na ocean Dwa płetwale zwyczajne nad powierzchnią wody

Nigdy nie myślałem, by zostać naukowcem. Wydawało mi się, że przekracza to moje możliwości. Zainteresowanie światem, ogólnie wszechświatem, dało mi impuls, by spróbować.

Daniel DeLeon

Obejrzyj poniższy film i poznaj historię Daniela.

whales-video-large
Powrót do góry