In de weken en maanden na een grote aardbeving, de omgeving wordt vaak geteisterd door krachtige naschokken die een reeds beschadigde gemeenschap aan het wankelen kunnen brengen en de herstelinspanningen aanzienlijk kunnen belemmeren.

Terwijl wetenschappers empirische wetten hebben ontwikkeld, zoals de wet van Bäth en de wet van Ohmori, om de waarschijnlijke omvang en timing van die naschokken te beschrijven, methoden voor het voorspellen van hun locatie waren moeilijker te begrijpen.

Maar aangewakkerd door een suggestie van onderzoekers van Google, Brendan Meade, een hoogleraar Aard- en Planetaire Wetenschappen, en Phoebe DeVries, een postdoctorale fellow die in zijn laboratorium werkt, gebruiken kunstmatige-intelligentietechnologie om het probleem onder controle te krijgen.

Met behulp van deep learning-algoritmen, het paar analyseerde een database met aardbevingen van over de hele wereld om te proberen te voorspellen waar naschokken zouden kunnen plaatsvinden, en ontwikkelde een systeem dat hoewel nog steeds onnauwkeurig, was in staat om naschokken significant beter te voorspellen dan willekeurige toewijzing. Het werk wordt beschreven in een paper van 30 augustus, gepubliceerd in: Natuur .

"Er zijn drie dingen die je wilt weten over aardbevingen - je wilt weten wanneer ze zullen plaatsvinden, hoe groot ze zullen worden en waar ze zullen zijn, "Zei Meade. "Voor dit werk hadden we empirische wetten voor wanneer ze zouden optreden en hoe groot ze zouden zijn, en nu werken we aan het derde been, waar ze kunnen voorkomen."

"Ik ben erg enthousiast over het potentieel voor machine learning in de toekomst met dit soort problemen - het is een heel belangrijk probleem om na te streven, DeVries zei. "Vooral het voorspellen van naschokken is een uitdaging die zeer geschikt is voor machinaal leren, omdat er zoveel fysieke fenomenen zijn die het gedrag van naschokken kunnen beïnvloeden en machine learning is buitengewoon goed in het ontrafelen van die relaties. Ik denk dat we nog maar net het oppervlak hebben bekrast van wat er kan worden gedaan met het voorspellen van naschokken... en dat is echt spannend."

Het idee om kunstmatige intelligente neurale netwerken te gebruiken om naschokken te voorspellen, ontstond enkele jaren geleden, tijdens de eerste van twee sabbaticals van Meade bij Google in Cambridge.

Tijdens het werken aan een gerelateerd probleem met een team van onderzoekers, Meade zei, een collega suggereerde dat de toen opkomende 'deep learning'-algoritmen het probleem beter hanteerbaar zouden kunnen maken. Meade zou later samenwerken met DeVries, die neurale netwerken hadden gebruikt om krachtige computercode om te zetten in algoritmen die op een laptop konden worden uitgevoerd om zich te concentreren op naschokken.

"Het doel is om het plaatje compleet te maken en we hopen dat we daaraan hebben bijgedragen. ' zei Meade.

Om het te doen, Meade en DeVries begonnen met toegang tot een database met waarnemingen die zijn gedaan na meer dan 199 grote aardbevingen.

"Na aardbevingen van magnitude 5 of groter, mensen besteden veel tijd aan het in kaart brengen van welk deel van de fout gleed en hoeveel het bewoog, Meade zei. "Veel studies zouden observaties van een of twee aardbevingen kunnen gebruiken, maar we hebben de hele database gebruikt... en we hebben het gecombineerd met een op fysica gebaseerd model van hoe de aarde zal worden gestrest en gespannen na de aardbeving, met het idee dat de spanningen en spanningen die door de hoofdschok worden veroorzaakt, de naschokken kunnen veroorzaken."

Gewapend met die informatie, ze scheiden vervolgens een gevonden gebied in rasters van 5 vierkante kilometer. In elk rooster, het systeem controleert of er een naschok is geweest, en vraagt ​​het neurale netwerk om correlaties te zoeken tussen locaties waar naschokken plaatsvonden en de spanningen die door de grote aardbeving werden veroorzaakt.

"De vraag is welke combinatie van factoren voorspellend kan zijn, " zei Meade. "Er zijn veel theorieën, maar één ding dat dit artikel doet, is duidelijk de meest dominante theorie omverwerpen - het laat zien dat het een verwaarloosbare voorspellende kracht heeft, en in plaats daarvan komt het met een die een aanzienlijk betere voorspellende kracht heeft."

Waar het systeem op wees, Meade zei, is een grootheid die bekend staat als de tweede invariant van de deviatorische spanningstensor - beter bekend als J2.

"Dit is een hoeveelheid die voorkomt in metallurgie en andere theorieën, maar is nooit populair geweest in de aardbevingswetenschap, "Zei Meade. "Maar wat dat betekent is dat het neurale netwerk niet met iets geks op de proppen kwam, het kwam met iets dat zeer interpreteerbaar was. Het was in staat om te identificeren naar welke natuurkunde we zouden moeten kijken, wat best gaaf is."

Die interpreteerbaarheid, DeVries zei, is van cruciaal belang omdat kunstmatige-intelligentiesystemen door veel wetenschappers lange tijd als zwarte dozen worden beschouwd - in staat om een ​​antwoord te produceren op basis van bepaalde gegevens.

"Dit was een van de belangrijkste stappen in ons proces, ' zei ze. 'Toen we het neurale netwerk voor het eerst trainden, we merkten dat het vrij goed deed bij het voorspellen van de locaties van naschokken, maar we dachten dat het belangrijk zou zijn als we konden interpreteren welke factoren belangrijk of nuttig waren voor die voorspelling."

Een dergelijke uitdaging aangaan met zeer complexe real-world data, echter, zou een hele klus zijn, dus vroeg het paar in plaats daarvan het systeem om voorspellingen te maken voor synthetische, sterk geïdealiseerde aardbevingen en vervolgens de voorspellingen te onderzoeken.

"We hebben gekeken naar de output van het neurale netwerk en vervolgens gekeken naar wat we zouden verwachten als verschillende hoeveelheden de naschokvoorspelling zouden controleren, " zei ze. "Door ze ruimtelijk te vergelijken, we hebben kunnen laten zien dat J2 belangrijk lijkt te zijn bij prognoses."

En omdat het netwerk werd getraind met behulp van aardbevingen en naschokken van over de hele wereld, Meade zei, het resulterende systeem werkte voor veel verschillende soorten fouten.

"Fouten in verschillende delen van de wereld hebben een verschillende geometrie, " zei Meade. "In Californië, de meeste zijn slipfouten, maar op andere plaatsen zoals Japan, ze hebben zeer ondiepe subductiezones. Maar wat cool is aan dit systeem, is dat je het op één kunt trainen, en het zal aan de andere kant voorspellen, dus het is echt generaliseerbaar."

"We zijn nog lang niet in staat om ze daadwerkelijk te voorspellen, "zei ze. "We zijn nog lang niet zover dat we het in realtime kunnen doen, maar ik denk dat machine learning hier een enorm potentieel heeft."

Vooruit gaan, Meade zei, hij werkt aan pogingen om de omvang van aardbevingen zelf te voorspellen met behulp van kunstmatige intelligentietechnologie met als doel op een dag de verwoestende gevolgen van de rampen te helpen voorkomen.

"Orthodoxe seismologen zijn grotendeels pathologen, " Zei Meade. "Ze bestuderen wat er gebeurt na de catastrofale gebeurtenis. Dat wil ik niet - ik wil epidemioloog worden. Ik wil de triggers begrijpen, veroorzaken en overdrachten die leiden tot deze gebeurtenissen."

uiteindelijk, Meade zei, het onderzoek dient om het potentieel van deep learning-algoritmen te benadrukken om vragen te beantwoorden die - tot voor kort - wetenschappers nauwelijks wisten hoe ze moesten stellen.

"Ik denk dat er een stille revolutie is in het denken over aardbevingsvoorspelling, " zei hij. "Het is geen idee dat er helemaal niet meer is. En hoewel dit resultaat interessant is, Ik denk dat dit deel uitmaakt van een revolutie in het algemeen over de wederopbouw van alle wetenschap in het tijdperk van kunstmatige intelligentie.

"Problemen die ontmoedigend moeilijk zijn, zijn tegenwoordig extreem toegankelijk, " vervolgde hij. "Dat komt niet alleen door de rekenkracht - de wetenschappelijke gemeenschap zal hier enorm van profiteren omdat ... AI klinkt extreem ontmoedigend, maar dat is het eigenlijk niet. Het is een buitengewoon democratiserend type computergebruik, en ik denk dat veel mensen dat beginnen te begrijpen."