Undersøgelse bruger AI-teknologi til at begynde at forudsige placeringer af efterskælv

I ugerne og månederne efter et stort jordskælv, det omkringliggende område er ofte ramt af kraftige efterskælv, der kan efterlade et allerede beskadiget samfund på haspel og betydeligt hæmme genopretningsindsatsen.

Mens forskere har udviklet empiriske love, ligesom Bäths lov og Ohmoris lov, at beskrive den sandsynlige størrelse og tidspunktet for disse efterskælv, metoder til at forudsige deres placering har været sværere at forstå.

Men udløst af et forslag fra forskere hos Google, Brendan Meade, professor i jord- og planetvidenskab, og Phoebe DeVries, en post-doc-stipendiat, der arbejder i sit laboratorium, bruger kunstig intelligens-teknologi til at forsøge at få styr på problemet.

Brug af deep learning algoritmer, parret analyserede en database over jordskælv fra hele verden for at forsøge at forudsige, hvor efterskælv kunne forekomme, og udviklet et system, mens den stadig er upræcis, var i stand til at forudsige efterskælv væsentligt bedre end tilfældig tildeling. Arbejdet er beskrevet i et papir fra 30. august udgivet i Natur .

"Der er tre ting, du gerne vil vide om jordskælv - du vil vide, hvornår de vil opstå, hvor store de bliver, og hvor de vil være, " sagde Meade. "Før dette arbejde havde vi empiriske love for, hvornår de ville forekomme, og hvor store de ville være, og nu arbejder vi på det tredje ben, hvor de kan forekomme. "

"Jeg er meget begejstret for potentialet for maskinlæring fremover med den slags problemer - det er et meget vigtigt problem at gå efter, "DeVries sagde. "Særlig efterskælvsprognose er en udfordring, der er velegnet til maskinlæring, fordi der er så mange fysiske fænomener, der kan påvirke efterskælvsadfærd, og maskinlæring er ekstremt god til at pirre disse forhold. Jeg tror, ​​at vi virkelig lige har ridset overfladen af, hvad der kunne gøres med prognoser efter efterskælv ... og det er virkelig spændende. "

Forestillingen om at bruge kunstige intelligente neurale netværk til at forsøge at forudsige efterskælv opstod først for flere år siden, under den første af Meades to sabbatår hos Google i Cambridge.

Mens du arbejder på et relateret problem med et team af forskere, Meade sagde, en kollega foreslog, at de dengang nye "deep learning"-algoritmer kunne gøre problemet mere håndterbart. Meade skulle senere samarbejde med DeVries, som havde brugt neurale netværk til at transformere højtydende computerkode til algoritmer, der kunne køre på en bærbar computer for at fokusere på efterskælv.

"Målet er at færdiggøre billedet, og vi håber, at vi har bidraget til det, " sagde Meade.

At gøre det, Meade og DeVries startede med at få adgang til en database med observationer foretaget efter mere end 199 store jordskælv.

"Efter jordskælv af størrelsesorden 5 eller større, folk bruger meget tid på at kortlægge, hvilken del af fejlen, der gled, og hvor meget den bevægede sig, "Meade sagde." Mange undersøgelser kan bruge observationer fra et eller to jordskælv, men vi brugte hele databasen ... og vi kombinerede den med en fysikbaseret model af, hvordan Jorden vil blive stresset og anstrengt efter jordskælvet, med tanken om, at belastningerne og belastningerne forårsaget af hovedchokket kan være det, der udløser efterskælvene."

Bevæbnet med den information, de adskiller derefter et område fundet i 5-kilometer kvadratiske gitter. I hvert gitter, systemet kontrollerer, om der var et efterskælv, og anmoder det neurale netværk om at lede efter sammenhænge mellem steder, hvor der opstod efterskælv, og de belastninger, som det vigtigste jordskælv genererede.

"Spørgsmålet er, hvilken kombination af faktorer der kan være forudsigende, " sagde Meade. "Der er mange teorier, men en ting, dette papir gør, er klart at ophæve den mest dominerende teori - det viser, at det har ubetydelig forudsigelseskraft, og den kommer i stedet med en, der har væsentlig bedre forudsigelseskraft."

Hvad systemet pegede på, Meade sagde, er en størrelse kendt som den anden invariant af den deviatoriske spændingstensor - bedre kendt som J2.

"Dette er en mængde, der forekommer i metallurgi og andre teorier, men har aldrig været populær inden for jordskælvsvidenskab, " sagde Meade. "Men det betyder, at det neurale netværk ikke fandt på noget skørt, det kom frem til noget, der var meget fortolkeligt. Det var i stand til at identificere, hvilken fysik vi skulle se på, hvilket er ret fedt."

Den fortolkning, DeVries sagde, er kritisk, fordi systemer med kunstig intelligens længe er blevet betragtet af mange forskere som sorte bokse - i stand til at producere et svar baseret på nogle data.

"Dette var et af de vigtigste trin i vores proces, " sagde hun. "Da vi først trænede det neurale netværk, vi bemærkede, at det var ret godt til at forudsige placeringen af ​​efterskælv, men vi troede, det ville være vigtigt, hvis vi kunne fortolke, hvilke faktorer den fandt, der var vigtige eller nyttige for den prognose."

At påtage sig en sådan udfordring med meget komplekse data fra den virkelige verden, imidlertid, ville være en svær opgave, så parret bad i stedet systemet om at lave prognoser for syntetisk, stærkt idealiserede jordskælv og derefter undersøge forudsigelserne.

"Vi kiggede på outputtet af det neurale netværk og så på, hvad vi ville forvente, hvis forskellige mængder kontrollerede efterskælvsprognoser, "sagde hun." Ved at sammenligne dem rumligt, vi var i stand til at vise, at J2 ser ud til at være vigtig i forecasting."

Og fordi netværket blev trænet ved hjælp af jordskælv og efterskælv fra hele kloden, Meade sagde, det resulterende system fungerede for mange forskellige typer fejl.

"Fejl i forskellige dele af verden har forskellig geometri, " sagde Meade. "I Californien, de fleste er glidefejl, men andre steder, ligesom Japan, de har meget lavvandede subduktionszoner. Men det smarte ved dette system er, at du kan træne det på et, og den vil forudsige den anden, så det er virkelig generaliserbart. "

"Vi er stadig langt fra faktisk at kunne forudsige dem, " sagde hun. "Vi er meget langt fra at gøre det i nogen realtidsforstand, men jeg tror, ​​at maskinlæring har et stort potentiale her."

Fremadrettet, Meade sagde, han arbejder på bestræbelser på at forudsige størrelsen af ​​jordskælv selv ved hjælp af kunstig intelligens-teknologi med det mål en dag at hjælpe med at forhindre katastrofernes ødelæggende virkninger.

"Ortodokse seismologer er stort set patologer, " sagde Meade. "De studerer, hvad der sker efter den katastrofale begivenhed. Det vil jeg ikke gøre – jeg vil være epidemiolog. Jeg vil gerne forstå triggerne, forårsager og overfører, der fører til disse begivenheder. "

Ultimativt, Meade sagde, undersøgelsen tjener til at fremhæve potentialet for deep learning-algoritmer til at besvare spørgsmål, som - indtil for nylig - videnskabsmænd knap vidste, hvordan de skulle stille.

"Jeg tror, ​​der er en stille revolution i at tænke på forudsigelse af jordskælv, " sagde han. "Det er ikke en idé, der er helt derude længere. Og selvom dette resultat er interessant, Jeg tror, ​​at dette er en del af en revolution generelt om at genopbygge al videnskab i den kunstige intelligens -æra.

"Problemer, der er skræmmende svære, er ekstremt tilgængelige i disse dage, " fortsatte han. "Det er ikke kun på grund af computerkraft - det videnskabelige samfund vil drage stor fordel af dette, fordi...AI lyder ekstremt skræmmende, men det er det faktisk ikke. Det er en ekstraordinært demokratiserende form for computere, og jeg tror, ​​at mange mennesker begynder at få det."