一种利用人工智能的力量精确模拟声波在水下传播方式的新系统可以帮助减少噪音污染对海洋生物的影响。

来自英国格拉斯哥大学和加拿大不列颠哥伦比亚大学的研究人员是该技术开发的幕后黑手。未来，他们的系统可以使航运和可再生能源等行业能够就其活动对海底世界的影响做出更明智的决策。

人类技术(包括货船的螺旋桨以及海上风电场的建设和运营)产生的巨大声音已被证明对广泛的海洋生物产生负面影响。噪音会扰乱海豚和鲸鱼等海洋哺乳动物的迁徙模式，并影响它们通过回声定位导航的能力。

减少水下噪音影响的一个潜在答案是更全面地了解人类活动产生的声波在海洋中移动和传播的方式。

这可以帮助政策制定者制定航运和海上涡轮机建设的新法规，以减轻其对周围海洋生物的影响。

声波以复杂且不断变化的模式从海洋表面、海底以及其间的一切物体反射。当声波在水中传播时，它们的强度也会降低，这一过程称为传输损耗。

如果不使用大量的计算机处理能力，目前很难对水下声波运动、相互作用和传输损耗的物理现象进行精确建模。大型项目可能需要数天的计算时间才能完全模拟声波在水中的传播。

研究人员着手研究深度神经网络是否可以帮助解决计算挑战，并使未来的系统更接近于提供可用于现实世界的声波传播的实时反馈。

在一篇题为“用于学习水下声学波散射和干扰的深度神经网络”并将发表在《流体物理》杂志上的新论文中，研究人员描述了他们如何使用已知的神经网络架构构建和测试声波建模系统。作为卷积循环自动编码器网络(CRAN)。

CRAN 的工作原理是将非常复杂或“高维”的建模数据压缩为更简化的“低维”形式。然后，最先进的人工智能模型(称为长短期记忆网络)根据之前学到的水下物理学知识来分析简化模型，从而预测水下声波如何随时间传播。

由于该系统是基于简化模型工作并使用机器学习对其进行扩展，因此它可以比传统建模过程更快地提供结果。

为了训练他们的系统，他们创建了 30 个不同的水下环境二维模拟，每个模拟都有不同的海底表面和声音频率，以帮助学习水下声波的物理原理。