KI entdeckt unerwartete seismische Signale am Rand des Erdkerns

LONDON (IT BOLTWISE) – Am Rand des Erdkerns registrieren Forscher per KI rund 175.000 schwache Vorläuferwellen, die auf bisher unbekannte, großräumige Strukturen hindeuten. Die Signale stammen aus Analysen von über zwei Millionen Seismogrammen zu fast 5.000 Erdbeben zwischen 1990 und 2024. Das Team ordnet sechs auffällige Regionen zu, die von Nordatlantik bis Antarktis reichen. Unklar bleibt, ob ozeanische Platten, teilgeschmolzenes Material oder Mineralphasenübergänge die Streuung verursachen. 🧠 KI & Robotik auf Google News abonnieren Die Erde ist für uns vieles: Ozeane, Kontinente, Gebirge. Was sie jedoch im Inneren zusammenhält, bleibt bis heute nur indirekt messbar. Genau an diesem Punkt setzen die neuen Ergebnisse an, denn sie drehen die bekannte Logik der Seismologie um: Nicht die starken Erdbebenwellen stehen im Vordergrund, sondern sehr schwache Vorläuferwellen, die schon kurz vor den Hauptimpulsen auftauchen. Genau diese frühen Signale deuten nach Angaben des Forschungsteams darauf hin, dass sich nahe der Grenze zwischen Erdmantel und Erdkern Materialeigenschaften finden lassen, die deutlich anders sind als das, was globale Modelle bislang erwarten. Technisch betrachtet entsteht der Informationsgehalt aus der Wechselwirkung zwischen Erdbebenenergie und der inneren Geologie. Wenn Erschütterungen durch die Erde wandern, breiten sich seismische Wellen nicht einfach geradlinig aus, sondern werden an Inhomogenitäten gestreut. Diese Streuung äußert sich als Verzerrungen im zeitlichen Verlauf der Messungen; aus den Daten lassen sich dann Rückschlüsse auf klein- bis großräumige Heterogenitäten ziehen. Der entscheidende Kniff: Das Team identifiziert Unregelmäßigkeiten über sogenannte Vorläuferwellen, also ganz schwache Signale, die an seismischen Messstationen bereits etwas früher detektierbar sind als die eigentlichen Wellenpakete. Für die Auswertung nutzt die Chinese Academy of Sciences laut Studie maschinelles Lernen auf einer sehr großen Datenbasis. Insgesamt wurden mehr als zwei Millionen Seismogramme von fast 5.000 Erdbeben aus den Jahren 1990 bis 2024 analysiert. Dabei traten nach den beschriebenen Ergebnissen nahezu 175.000 schwache seismische Signale auf, die auf unerwartete, kleinräumige Strukturen nahe der Kern-Mantel-Grenze hinweisen. Der Umfang ist dabei besonders relevant: Die Studie ordnet diese Funde als etwa zehnmal so viele Signale ein, wie sie zuvor in allen globalen Datensätzen zusammen gefunden worden seien. Damit verschiebt sich auch die Messlatte für das, was für Regionen im tiefen Erdinneren überhaupt statistisch belastbar auswertbar ist. Aus den Streuungsmustern leiten die Forschenden zusätzlich sechs großräumige Bereiche ab, in denen wahrscheinlich erhebliche Heterogenitäten vorliegen. Die Zuordnung betrifft nach den Angaben der Studie den Nordatlantik bis nach Mitteleuropa, Nordeurasien, den Südatlantik, das südliche Afrika, den nordwestlichen Pazifik bis nach Alaska sowie die Region rund um die Antarktis. Wichtig ist dabei die Interpretationsebene: Die Karten zeigen nach Darstellung der Autorinnen und Autoren Wahrscheinlichkeiten, keine scharfen Umrisse. Für die Praxis bedeutet das: Es handelt sich um priorisierte Ziele für die künftige Erforschung, nicht um endgültige geologische Grenzlinien, die man unmittelbar in ein Tiefenmodell übernehmen könnte. Was die Signale letztlich verursacht, bleibt offen. Als plausible Möglichkeit nennen die Forschenden ozeanische Erdplatten, die über Jahrmillionen bis an die Kern-Grenze hinabsanken wären. Daneben werden aber auch alternative Erklärungen diskutiert, darunter partiell geschmolzenes Material im festen unteren Mantel oder Effekte von Mineralphasenübergängen. Genau diese Offenheit ist wissenschaftlich sinnvoll, weil mehrere Mechanismen ähnliche seismische Signaturen erzeugen können, je nachdem, wie stark Dichte, Elastizität und Temperatur inhomogen verteilt sind. Gleichzeitig zeigt sie, wo sich die nächste technische Hürde befindet: Die KI kann Muster entdecken und priorisieren, doch die geophysikalische Verifikation erfordert Modelle, die mehrere Parameter gleichzeitig erklären können. Für den Markt und die Forschungslage ist der Ansatz zudem ein Signal, wie schnell sich datengetriebene Methoden in die geowissenschaftliche Infrastruktur einklinken. Die Kombination aus globaler Sensorik, langfristigen Archiven und KI-gestützter Auswertung adressiert ein klassisches Problem: Tiefe Strukturen sind selten eindeutig, weil die Wellenpfade durch viele Schichten laufen. Wenn KI aber zuverlässig frühe, schwache Signale herausarbeitet, wird aus bisher schwer nutzbarem Rauschen eine planbare Informationsquelle. Ähnlich wie in anderen Bereichen, in denen Vorverarbeitung und Modellinferenz die Datenqualität bestimmen, rückt damit nicht nur das Modell selbst in den Fokus, sondern auch die Messstrategie, die Datenbereinigung und die spätere Integration in geologische Modelle für die Vorhersage neuer Beobachtungen. Die Veröffentlichung im Fachjournal 'Journal of Geophysical Research: Solid Earth' unterstreicht außerdem den Anspruch, den die Ergebnisse an methodische Reproduzierbarkeit stellen müssen. Eine robuste Folgefrage lautet: Welche Teile der Methodik tragen am stärksten zur Entdeckung der Vorläuferwellen bei, und wie stabil bleiben die Muster, wenn man andere Erdbebenereignisse oder alternative Vorverarbeitungsschritte nutzt? Für Unternehmen und Forschungsgruppen, die KI-gestützte Auswertung für wissenschaftliche Daten entwickeln, liegt darin ein wiederkehrendes Muster: Der echte Mehrwert entsteht, wenn das System nicht nur Signale findet, sondern auch Unsicherheiten quantifiziert und so die Wahl zukünftiger Mess- und Modellierungsarbeiten verbessert. Genau dort könnten die sechs priorisierten Regionen zum Ausgangspunkt werden, um Hypothesen über die Zusammensetzung und Dynamik des tiefen Erdinneren zu testen. 946 Bewertungen Loona KEYI Premium Haustier-Roboter mit Ladestation (Smarte AI ChatGPT-4o, Stimmen- & Gestensteuerung, Echtzeit-Interaktion, Heimüberwachung) V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können. Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!