Correzione dell’errore da vibrazione nella misura assoluta della gravità mediante rete neurale BP

Perché anche i piccoli tremori contano

Anche quando restiamo perfettamente immobili, il terreno sotto i nostri piedi non è mai completamente a riposo. Onde oceaniche, camion di passaggio, terremoti lontani e persino il vento fanno vibrare la superficie terrestre. Per la maggior parte di noi questi moti passano inosservati. Ma per gli scienziati che misurano con estrema precisione l’attrazione del pianeta, questi lievi tremori possono offuscare completamente il quadro. Questo studio presenta un metodo intelligente, basato su software — che utilizza un tipo di intelligenza artificiale chiamata rete neurale — per annullare quei fastidiosi jitter e affinare le misure della gravità fino a poche parti per miliardo.

Pesare la Terra con oggetti in caduta

I moderni “gravimetri assoluti” misurano la gravità cronomet­rando la velocità di caduta di un piccolo oggetto all’interno di una camera controllata. Un laser traccia la posizione dell’oggetto mentre cade, costruendo una traiettoria dettagliata dalla quale si può calcolare l’intensità locale della gravità. Strumenti come il gravimetro FG5‑X, ampiamente usato, raggiungono già precisioni straordinarie, sufficienti a individuare sottili cambiamenti nella crosta terrestre o a supportare test di fisica fondamentale. Tuttavia, queste misure sono estremamente sensibili alle vibrazioni dello specchio di riferimento dello strumento e della struttura circostante. Quando il suolo si muove, il segnale laser ondeggia, spostando i momenti esatti in cui lo strumento rileva il passaggio dell’oggetto sui punti chiave. Questi lievi spostamenti temporali si traducono direttamente in errori nel valore calcolato della gravità.

Come il moto del suolo distorce la caduta

Gli autori hanno prima costruito modelli matematici e computazionali per comprendere esattamente come diversi tipi di vibrazione — derive lente, oscillazioni curve e rapide — distorcono il segnale laser. Hanno dimostrato che ogni pattern di vibrazione lascia un’impronta distinta negli errori di temporizzazione della traiettoria dell’oggetto in caduta. È importante notare che tali errori non si sommano semplicemente nel tempo; piuttosto, l’errore in ciascun istante è strettamente legato alla vibrazione in quel preciso momento. Questo significa che, se si conosce sufficientemente bene il segnale di vibrazione, si potrebbe in principio ricostruire e annullare gli errori temporali che esso provoca. La sfida sta nel fatto che la relazione tra le letture grezze di vibrazione e gli errori di temporizzazione risultanti è fortemente non lineare e troppo complessa per essere catturata con semplici formule.

Addestrare una rete neurale a eliminare il rumore

Per affrontare il problema, il team ha utilizzato una rete neurale a retropropagazione (BP), un modello di apprendimento automatico comune che eccelle nell’apprendere relazioni input–output complesse. Hanno generato 100.000 esempi simulati di misure di gravità, ciascuno combinando un segnale ideale di caduta libera con pattern di vibrazione realistici che coprivano laboratori silenziosi, siti di campo tipici e ambienti rumorosi. Per ogni caso hanno calcolato l’errore di temporizzazione esatto causato dalla vibrazione. La rete neurale è stata quindi addestrata a prendere come input la forma d’onda misurata della vibrazione (più informazioni temporali) e a restituire la correzione temporale corrispondente. Per accelerare e stabilizzare il processo di apprendimento, gli autori hanno sostituito il metodo di addestramento tradizionale con l’algoritmo di ottimizzazione Adam, che regola in modo adattivo l’intensità con cui la rete aggiorna i propri pesi interni. Questa combinazione ha permesso al modello di convergere più rapidamente e di prevedere errori di temporizzazione con scarti medi estremamente piccoli.

Dai test al computer ai punti di gravità sul campo

Dopo aver confermato il metodo nelle simulazioni, i ricercatori lo hanno testato con il loro compatto gravimetro laser, Tide‑010, in tre siti molto diversi vicino a Pechino: un tranquillo punto di riferimento nazionale della gravità in sotterraneo, un ufficio al piano terra e un’area montana con terreno friabile e forti vibrazioni ambientali. In ciascuna località hanno registrato sia il segnale di interferenza laser sia il moto del punto di riferimento usando un accelerometro sensibile. I dati grezzi sono stati prima filtrati per rimuovere il rumore ad altissima frequenza, quindi inseriti nella rete neurale addestrata, che ha prodotto coordinate temporali corrette per l’oggetto in caduta. Utilizzando queste traiettorie corrette, il team ha ricalcolato la gravità e ha confrontato la dispersione e il bias dei risultati con quelli ottenuti mediante il fitting “diretto” convenzionale. In tutti i casi, la rete neurale ha ridotto la dispersione casuale nelle letture di gravità di circa l’80–85% e ha mantenuto gli errori medi molto vicini a zero.

Lavori di precisione sulla gravità e le loro implicazioni

Per un non addetto ai lavori, il risultato principale è che questo approccio assistito dall’IA permette a un gravimetro di “ascoltare” le vibrazioni del suolo e poi sottrarne matematicamente l’effetto, in modo simile a come le cuffie a cancellazione del rumore rimuovono il ronzio di fondo dalla musica. In condizioni sotterranee tranquille e in un edificio ordinario, le misure corrette corrispondevano o superavano le prestazioni dei migliori strumenti commerciali, raggiungendo accuratezze dell’ordine di uno o due microgal — un milionesimo dell’accelerazione che avvertiamo per gravità. Anche in un ambiente montano rumoroso, il metodo ha mantenuto gli errori intorno ai tre microgal. Questo miglioramento non richiede nuovo hardware ingombrante; dipende principalmente da un’elaborazione dei dati più intelligente. Di conseguenza, la tecnica potrebbe aiutare i Paesi a sviluppare i propri gravimetri ad alta precisione, supportare un monitoraggio migliore di terremoti e vulcani e permettere test più accurati della fisica fondamentale, il tutto insegnando agli strumenti a guardare attraverso il costante, sottile tremore della Terra.

Citazione: Niu, Y., Wu, Q., Zhang, Y. et al. Vibration error correction in absolute gravity measurement using BP neural network. Sci Rep 16, 14072 (2026). https://doi.org/10.1038/s41598-026-43402-1

Parole chiave: misura della gravità, vibrazioni del suolo, reti neurali, geofisica di precisione, correzione del segnale