В течение нескольких недель и месяцев после сильного землетрясения окрестности часто сотрясаются мощными афтершоками, которые могут оставить и без того пострадавшее сообщество шатающимся и значительно затруднить восстановительные работы.
В то время как ученые разработали эмпирические законы, такие как закон Бэта и закон Омори, для описания вероятного размера и времени этих афтершоков, методы прогнозирования их местоположения было труднее понять.
Но по предложению исследователей из Google Брендан Мид, профессор наук о Земле и планетах, и Фиби ДеВрис, постдокторант, работающий в его лаборатории, используют технологию искусственного интеллекта, чтобы попытаться получить разобраться с проблемой.
Используя алгоритмы глубокого обучения, пара проанализировала базу данных землетрясений со всего мира, чтобы попытаться предсказать, где могут произойти афтершоки, и разработала систему, которая, хотя и была неточной, могла прогнозировать афтершоки значительно лучше, чем случайное назначение.. Работа описана в статье, опубликованной 30 августа в журнале Nature.
«Есть три вещи, которые вы хотите знать о землетрясениях - вы хотите знать, когда они произойдут, насколько они будут сильными и где они будут», - сказал Мид. «До этой работы у нас были эмпирические законы того, когда они произойдут и насколько велики они будут, а теперь мы работаем над третьей стадией, где они могут произойти».
«Я очень воодушевлен потенциалом машинного обучения для решения таких задач - это очень важная проблема, которую нужно решать», - сказал ДеВрис. «Прогнозирование афтершоков, в частности, - это задача, которая хорошо подходит для машинного обучения, потому что существует так много физических явлений, которые могут влиять на поведение афтершоков, и машинное обучение очень хорошо выявляет эти взаимосвязи. Я думаю, что мы только что коснулись того, что можно сделать с помощью прогнозирования афтершоков… и это действительно захватывающе».
Идея использования искусственных интеллектуальных нейронных сетей для прогнозирования афтершоков впервые возникла несколько лет назад, во время первого из двух творческих отпусков Мида в Google в Кембридже.
Во время работы над связанной проблемой с группой исследователей, сказал Мид, коллега предположил, что появившиеся тогда алгоритмы «глубокого обучения» могут сделать проблему более разрешимой. Позже Мид стал партнером ДеВриза, который использовал нейронные сети для преобразования кода высокопроизводительных вычислений в алгоритмы, которые можно было запускать на ноутбуке, чтобы сосредоточиться на афтершоках.
"Цель состоит в том, чтобы завершить картину, и мы надеемся, что мы внесли свой вклад в это", сказал Мид.
Чтобы сделать это, Мид и ДеВрис начали с доступа к базе данных наблюдений, сделанных после более чем 199 крупных землетрясений.
«После землетрясений магнитудой 5 и выше люди тратят много времени на то, чтобы определить, какая часть разлома сдвинулась и насколько сильно она сдвинулась», - сказал Мид. «Многие исследования могут использовать наблюдения одного или двух землетрясений, но мы использовали всю базу данных… и мы объединили ее с основанной на физике моделью того, как Земля будет испытывать напряжение и деформацию после землетрясения, с идеей, что напряжения и деформации, вызванные основным толчком, могут быть причиной афтершоков».
Вооружившись этой информацией, они делят найденную область на сетки со стороной 5 квадратных километров. В каждой сетке система проверяет, был ли афтершок, и просит нейронную сеть искать корреляции между местами, где произошли афтершоки, и напряжениями, вызванными основным землетрясением.
«Вопрос в том, какое сочетание факторов может быть предсказательным», - сказал Мид. «Существует много теорий, но одна вещь, которую делает эта статья, - это явно переворачивание с ног на голову самой доминирующей теории - она показывает, что у нее незначительная предсказательная сила, и вместо этого предлагает другую, которая имеет значительно лучшую предсказательную силу."
То, на что указывала система, сказал Мид, это величина, известная как второй инвариант тензора девиаторных напряжений, более известный просто как J2.
«Эта величина встречается в металлургии и других теориях, но никогда не была популярна в науке о землетрясениях», - сказал Мид. «Но это означает, что нейронная сеть не придумала что-то сумасшедшее, она придумала что-то, что можно легко интерпретировать. Она смогла определить, на какую физику нам следует обратить внимание, что довольно круто».
Эта интерпретируемость, по словам ДеВриса, имеет решающее значение, потому что системы искусственного интеллекта долгое время рассматривались многими учеными как черные ящики, способные давать ответ на основе некоторых данных.
"Это был один из самых важных шагов в нашем процессе", - сказала она. «Когда мы впервые обучили нейронную сеть, мы заметили, что она довольно хорошо предсказывала места афтершоков, но мы подумали, что было бы важно, если бы мы могли интерпретировать, какие обнаруженные ею факторы были важны или полезны для этого прогноза."
Однако справиться с такой задачей с очень сложными реальными данными было бы непростой задачей, поэтому пара вместо этого попросила систему создать прогнозы для синтетических, сильно идеализированных землетрясений, а затем изучить прогнозы.
«Мы посмотрели на выходные данные нейронной сети, а затем посмотрели на то, что можно было бы ожидать, если бы прогнозирование афтершоков контролировалось разными величинами», - сказала она. «Сравнивая их пространственно, мы смогли показать, что J2, по-видимому, важен для прогнозирования».
И поскольку сеть была обучена с использованием землетрясений и афтершоков со всего мира, сказал Мид, получившаяся система работала для многих различных типов неисправностей.
«Разломы в разных частях мира имеют разную геометрию», - сказал Мид. «В Калифорнии большинство из них - сдвиговые разломы, но в других местах, например в Японии, есть очень неглубокие зоны субдукции. обобщаемый."
«Мы все еще далеки от того, чтобы действительно прогнозировать их», - сказала она. «Мы очень далеки от того, чтобы делать это в реальном времени, но я думаю, что машинное обучение имеет здесь огромный потенциал».
Двигаясь вперед, Мид сказал, что он работает над усилиями по прогнозированию магнитуды самих землетрясений с использованием технологии искусственного интеллекта с целью однажды помочь предотвратить разрушительные последствия бедствий.
«Ортодоксальные сейсмологи в основном патологоанатомы, - сказал Мид. «Они изучают то, что происходит после катастрофического события. Я не хочу этого делать - я хочу быть эпидемиологом. Я хочу понять триггеры, причины и переносы, которые приводят к этим событиям».
В конечном счете, по словам Мида, исследование призвано подчеркнуть потенциал алгоритмов глубокого обучения для ответа на вопросы, которые до недавнего времени ученые едва знали, как задать.
«Я думаю, что в представлениях о предсказании землетрясений произошла тихая революция», - сказал он.«Это уже не идея, которая полностью существует. И хотя этот результат интересен, я думаю, что это часть революции в целом по перестройке всей науки в эпоху искусственного интеллекта.
«Проблемы, которые пугающе сложны, чрезвычайно доступны в наши дни», - продолжил он. «Это происходит не только из-за вычислительной мощности - научное сообщество получит огромную выгоду от этого, потому что… ИИ звучит чрезвычайно устрашающе, но на самом деле это не так. Это чрезвычайно демократизирующий тип вычислений, и я думаю, что многие люди начинают понимать это."