Evaluación de un modelo de deep learning para la detección de sismos y selección de sus ondas P y S en términos de su interpretabilidad y explicabilidad

Abstract

La aplicación de inteligencia artificial en múltiples áreas ha permitido resolver problemas con un rendimiento superior al de los métodos tradicionales. Este es el caso del monitoreo de eventos sı́smicos, donde se busca detectar el evento y determinar la llegada de las ondas P y S, información necesaria para estimar magnitud, ubicación y profundidad del sismo. El uso de deep learning para esta tarea ha cobrado relevancia por su capacidad de ofrecer respuestas precisas en milisegundos, requisito indispensable para sistemas de alerta temprana que mitiguen el impacto de estos fenómenos. No obstante, la naturaleza de caja negra de los modelos de deep learning impide comprender sus decisiones más allá de métricas de desempeño; en un sistema cuyo propósito es salvar vidas, es necesario conocer por qué y cómo toma decisiones, sus limitaciones y qué tipos de eventos lo pueden inducir a error. Además de ser una exigencia legal y ética, la explicabilidad es útil para orientar decisiones de diseño en arquitecturas futuras. En el área conocida como eXplainable Artificial Intelligence (XAI) se han desarrollado técnicas que ofrecen explicaciones entendibles para humanos sobre las decisiones de un modelo. Este proyecto aplica técnicas seleccionadas de XAI a EqTransformer, un modelo de deep learning que emplea mecanismos de atención para realizar simultáneamente la detección del sismo y la selección de fase, con el objetivo de interpretar sus decisiones e identificar sus limitaciones.