Maten van de trillingen van de aarde zigzagden en zagen op een ochtend in Memphis over het scherm van Mostafa Mousavi, Tenn. Als onderdeel van zijn Ph.D. studies in geofysica, hij zat aardbevingssignalen te scannen die de avond ervoor waren opgenomen, verifiëren dat tientallen jaren oude algoritmen echte aardbevingen hadden gedetecteerd in plaats van trillingen veroorzaakt door gewone dingen zoals beukende golven, passerende vrachtwagens of stampende voetbalfans.

"Ik deed al dit vervelende werk zes maanden lang, kijken naar continue gegevens, " Mousavi, nu een onderzoekswetenschapper aan Stanford's School of Earth, Energie- en milieuwetenschappen (Stanford Earth), onlangs herinnerd. "Dat was het punt dat ik dacht, 'Er moet een veel betere manier zijn om dit te doen.'"

Dit was in 2013. Handheld-smartphones waren al geladen met algoritmen die spraak konden opsplitsen in geluidsgolven en de meest waarschijnlijke woorden in die patronen konden bedenken. Met behulp van kunstmatige intelligentie, ze zouden zelfs kunnen leren van eerdere opnames om in de loop van de tijd nauwkeuriger te worden.

Seismische golven en geluidsgolven zijn niet zo verschillend. Men beweegt door rots en vloeistof, de andere door de lucht. Maar hoewel machine learning de manier waarop personal computers stem en geluid verwerken en ermee omgaan heeft veranderd, de algoritmen die worden gebruikt om aardbevingen in stromen van seismische gegevens te detecteren, zijn sinds de jaren tachtig nauwelijks veranderd.

Daardoor zijn veel aardbevingen onopgemerkt gebleven.

Grote aardbevingen zijn moeilijk te missen, maar ze zijn zeldzaam. In de tussentijd, onmerkbaar kleine aardbevingen gebeuren de hele tijd. Deze 'microbevingen', die plaatsvinden op dezelfde fouten als grotere aardbevingen - en met dezelfde fysica en dezelfde mechanismen - vertegenwoordigen een cache van onaangeboorde informatie over hoe aardbevingen evolueren - maar alleen als wetenschappers ze kunnen vinden.

In een recent artikel gepubliceerd in Natuurcommunicatie , Mousavi en co-auteurs beschrijven een nieuwe methode om kunstmatige intelligentie te gebruiken om miljoenen van deze subtiele verschuivingen van de aarde in beeld te brengen. "Door ons vermogen om deze zeer kleine aardbevingen te detecteren en te lokaliseren, te verbeteren, we een duidelijker beeld kunnen krijgen van hoe aardbevingen op elkaar inwerken of zich langs de breuk verspreiden, hoe ze beginnen, zelfs hoe ze stoppen, " zei geofysicus Gregory Beroza van Stanford, een van de auteurs van de krant.

Focussen op wat belangrijk is

Mousavi begon te werken aan technologie om de detectie van aardbevingen te automatiseren kort nadat hij de dagelijkse seismogrammen in Memphis had onderzocht, maar zijn modellen hadden moeite om de ruis die inherent is aan seismische gegevens uit te schakelen. Een paar jaar later, nadat hij in 2017 bij Beroza's laboratorium in Stanford kwam, hij begon na te denken over hoe dit probleem op te lossen met behulp van machine learning.

De groep heeft een reeks steeds krachtigere detectoren geproduceerd. Een 2018-model genaamd PhaseNet, ontwikkeld door Beroza en afgestudeerde student Weiqiang Zhu, aangepaste algoritmen van medische beeldverwerking om uit te blinken in phase-picking, waarbij de precieze start van twee verschillende soorten seismische golven wordt geïdentificeerd. Een ander machine learning-model, uitgebracht in 2019 en genaamd CRED, werd geïnspireerd door voice-trigger-algoritmen in virtuele assistent-systemen en bleek effectief bij detectie. Beide modellen leerden de fundamentele patronen van aardbevingsreeksen uit een relatief kleine reeks seismogrammen die alleen in Noord-Californië waren geregistreerd.

In de Natuurcommunicatie papier, de auteurs melden dat ze een nieuw model hebben ontwikkeld om zeer kleine aardbevingen te detecteren met zwakke signalen die de huidige methoden meestal over het hoofd zien, en om de precieze timing van de seismische fasen te bepalen met behulp van aardbevingsgegevens van over de hele wereld. Ze noemen het Earthquake Transformer.

Volgens Mousavi, het model bouwt voort op PhaseNet en CRED, en "bevat de inzichten die ik kreeg vanaf het moment dat ik dit allemaal handmatig deed." specifiek, Earthquake Transformer bootst de manier na waarop menselijke analisten naar de reeks kronkels als geheel kijken en zich vervolgens richten op een klein deel van de belangstelling.

Mensen doen dit intuïtief in het dagelijks leven - ze stemmen minder belangrijke details af om zich meer te concentreren op wat belangrijk is. Computerwetenschappers noemen het een "aandachtsmechanisme" en gebruiken het vaak om tekstvertalingen te verbeteren. Maar het is nieuw op het gebied van geautomatiseerde aardbevingsdetectie, zei Mousavi. "Ik stel me voor dat deze nieuwe generatie detectoren en fasekiezers binnen een jaar of twee de norm zal zijn voor aardbevingsmonitoring, " hij zei.

De technologie zou analisten in staat kunnen stellen zich te concentreren op het extraheren van inzichten uit een completere catalogus van aardbevingen, tijd vrijmaken om meer na te denken over wat het patroon van aardbevingen betekent, zei Beroza, de Wayne Loel hoogleraar aardwetenschappen aan Stanford Earth.

Verborgen fouten

Het begrijpen van patronen in de accumulatie van kleine trillingen gedurende tientallen jaren of eeuwen zou de sleutel kunnen zijn om verrassingen - en schade - te minimaliseren wanneer een grotere aardbeving toeslaat.

De aardbeving in Loma Prieta in 1989 geldt als een van de meest destructieve aardbevingsrampen in de geschiedenis van de VS, en als een van de grootste die in de afgelopen eeuw Noord-Californië heeft getroffen. Het is een onderscheid dat minder spreekt over buitengewone kracht in het geval van Loma Prieta dan over hiaten in de paraatheid voor aardbevingen, gevarenkaarten en bouwvoorschriften - en tot de extreme zeldzaamheid van grote aardbevingen.

Slechts ongeveer een op de vijf van de ongeveer 500, 000 aardbevingen die jaarlijks wereldwijd door seismische sensoren worden gedetecteerd, veroorzaken trillingen die sterk genoeg zijn voor mensen om op te merken. In een typisch jaar, misschien zullen 100 aardbevingen schade veroorzaken.

Eind jaren tachtig, computers waren al aan het werk om digitaal geregistreerde seismische gegevens te analyseren, en ze bepaalden binnen enkele minuten het optreden en de locatie van aardbevingen zoals Loma Prieta. Beperkingen in zowel de computers als de golfvormgegevens, echter, liet veel kleine aardbevingen onopgemerkt en veel grotere aardbevingen slechts gedeeltelijk gemeten.

Na de harde les van Loma Prieta, veel Californische gemeenschappen zijn gaan vertrouwen op kaarten met breukzones en de gebieden waar aardbevingen waarschijnlijk de meeste schade aanrichten. Door het record van eerdere aardbevingen met Earthquake Transformer en andere hulpmiddelen uit te werken, zouden die kaarten nauwkeuriger kunnen worden en kunnen fouten worden onthuld die anders pas aan het licht zouden komen na vernietiging door een grotere aardbeving, zoals gebeurde met Loma Prieta in 1989, en met de aardbeving van 6.7 Northridge in Los Angeles vijf jaar later.

"Hoe meer informatie we in de diepte kunnen krijgen, driedimensionale breukstructuur door verbeterde monitoring van kleine aardbevingen, hoe beter we kunnen anticiperen op aardbevingen die op de loer liggen in de toekomst, ' zei Beroza.

Aardbevingstransformator

Om de locatie en de omvang van een aardbeving te bepalen, zowel bestaande algoritmen als menselijke experts zoeken naar de aankomsttijd van twee soorten golven. Het eerste stel, bekend als primaire of P-golven, snel vooruitgaan - duwen, trekken en de grond samendrukken als een Slinky terwijl ze erdoorheen bewegen. Vervolgens komen shear of S-golven, die langzamer reizen maar destructiever kunnen zijn als ze de aarde heen en weer bewegen of op en neer.

Om Earthquake Transformer te testen, het team wilde zien hoe het werkte met aardbevingen die niet zijn opgenomen in trainingsgegevens die worden gebruikt om de algoritmen te leren hoe een echte aardbeving en de seismische fasen eruit zien. De trainingsgegevens omvatten een miljoen met de hand gelabelde seismogrammen, voornamelijk opgenomen in de afgelopen twee decennia waar aardbevingen wereldwijd plaatsvinden, exclusief Japan. Voor de test, ze selecteerden vijf weken aan continue gegevens die zijn opgenomen in de regio van Japan die 20 jaar geleden werd geschud door de aardbeving tot 6,6 op de schaal van Richter en de naschokken ervan.

Het model heeft 21 gedetecteerd en gelokaliseerd, 092 gebeurtenissen - meer dan twee en een half keer het aantal aardbevingen dat met de hand is uitgezocht, met behulp van gegevens van slechts 18 van de 57 stations die Japanse wetenschappers oorspronkelijk gebruikten om de reeks te bestuderen. Earthquake Transformer bleek bijzonder effectief voor de kleine aardbevingen die voor mensen moeilijker te onderscheiden zijn en die in overweldigende aantallen worden geregistreerd naarmate seismische sensoren zich vermenigvuldigen.

"Eerder, mensen hadden algoritmen ontworpen om te zeggen:vind de P-golf. Dat is een relatief eenvoudig probleem, " verklaarde co-auteur William Ellsworth, een onderzoeksprofessor in geofysica aan de Stanford. Het lokaliseren van het begin van de S-golf is moeilijker, hij zei, omdat het voortkomt uit de grillige laatste adem van de snel bewegende P-golven. Andere algoritmen hebben uiterst gedetailleerde aardbevingscatalogi kunnen produceren, inclusief enorme aantallen kleine aardbevingen die analisten over het hoofd hebben gezien, maar hun algoritmen voor het matchen van patronen werken alleen in de regio die de trainingsgegevens levert.

Met Earthquake Transformer op een eenvoudige computer, analyse die normaal gesproken maanden van deskundige arbeid zou vergen, werd binnen 20 minuten voltooid. Die snelheid wordt mogelijk gemaakt door algoritmen die tegelijkertijd zoeken naar het bestaan ​​van een aardbeving en de timing van de seismische fasen, informatie gebruiken die uit elke zoekopdracht is verkregen om de oplossing voor de andere te verfijnen.

"Earthquake Transformer krijgt veel meer aardbevingen dan andere methoden, of het nu mensen zijn die zitten en dingen proberen te analyseren door naar de golfvormen te kijken, of oudere computermethoden, "Zei Ellsworth. "We krijgen een veel diepere kijk op het aardbevingsproces, en we doen het efficiënter en nauwkeuriger."

De onderzoekers trainden en testten Earthquake Transformer op historische gegevens, maar de technologie is klaar om kleine aardbevingen te markeren bijna zodra ze zich voordoen. Volgens Beroza, "Aardbevingsmonitoring met behulp van machine learning in bijna realtime komt zeer binnenkort."