Google en Harvard team om gebruik te maken van diep leren om te voorspellen aardbeving en naschokken

Na een grote aardbeving treft, het gevaar is nog niet voorbij. Kleinere, follow-up van de aardbevingen die worden veroorzaakt door de eerste schok kan rommelen rond een getroffen gebied voor maanden, het omverwerpen van structuren verzwakt door de ouder aardbeving. Wetenschappers voorspellen van de omvang en de timing van deze naschokken tot op zekere hoogte, maar het opsporen van de locatie heeft altijd bewezen een uitdaging. Nieuw onderzoek van wetenschappers aan de Harvard universiteit en Google suggereert AI zou kunnen helpen.

In een artikel gepubliceerd in het tijdschrift Nature van deze week, onderzoekers laten zien hoe diep leren kan helpen bij het voorspellen van de naschok locaties betrouwbaarder dan de bestaande modellen. Wetenschappers opgeleid een neuraal netwerk te zoeken naar patronen in een databank van meer dan 131.000, – bij “mainshock-aftershock” evenementen, voor het testen van zijn voorspellingen over een database van 30.000 soortgelijke paren.

AI is nauwkeuriger dan bestaande modellen

De deep learning network was aanzienlijk betrouwbaarder dan de meest bruikbare bestaande model, bekend als “Coulomb falen van stress te veranderen.” Op een schaal van nauwkeurigheid die loopt van 0 tot 1 — 1 is een perfect nauwkeurig model en 0,5 is zo goed als het opgooien van een munt — de bestaande Coulomb model scoorde 0.583, terwijl het nieuwe AI-systeem hit 0.849.

Brendan Meade, een professor van de Aarde en de planetaire wetenschappen aan Harvard die geholpen auteur het papier, vertelde ScienceDaily dat de resultaten veelbelovend waren. “Er zijn drie dingen die je wilt weten over aardbevingen,” zei Meade. “Als ze gaan optreden, hoe groot ze gaan worden en waar ze naartoe gaan. Voorafgaand aan dit werk hadden we empirische wetten voor, wanneer ze optreden en hoe groot ze waren, en nu werken we in de derde etappe, waar ze kunnen optreden.”

Het succes van kunstmatige intelligentie in dit domein is door één van de technologie van de sterke punten: de mogelijkheid om te ontdekken eerder over het hoofd gezien patronen in complexe datasets. Dit is vooral relevant in seismologie, waar het kan ongelooflijk moeilijk om te zien dat de verbindingen in de gegevens. Seismische gebeurtenissen betrekken teveel variabelen van de make-up van de grond in de verschillende gebieden aan de aard van de interacties tussen de seismische platen voor de wijze waarop de energie plant zich voort in golven door de Aarde. Zin van dit alles is ongelooflijk hard.

Lees meer: AI helpt seismologen detecteren aardbevingen zouden ze anders missen

De onderzoekers zeggen dat hun diep leren model was in staat om haar voorspellingen door het overwegen van een factor die bekend staat als de “von Mises opbrengst criterium” een complexe berekening gebruikt om te voorspellen wanneer de materialen zal beginnen te breken onder stress. Als Meade vertelt ScienceDaily, deze factor wordt vaak gebruikt in gebieden zoals metallurgie, “maar het is nooit populair geweest in de aardbeving wetenschap.” Nu, met de resultaten van dit nieuwe model, geologen kunnen onderzoeken van de relevantie ervan.

Ondanks het succes van dit onderzoek, het is verre van klaar om te worden geïmplementeerd in de echte wereld. Om te beginnen, de AI-model richt zich op naschokken, veroorzaakt door de permanente veranderingen aan de grond, bekend als statische stress. Maar de follow-up van aardbevingen kan ook worden veroorzaakt door gerommel in de grond die later bekend als dynamische stress. Het bestaande model is ook te traag zijn om in real-time. Dit is belangrijk, omdat de meeste naschokken gebeuren op de eerste dag na een aardbeving optreedt, voor ongeveer een halvering van de frequentie op elk van de volgende dag.

Als Phoebe DeVries, een Harvard postdoc die hebben geholpen met het leiden van het onderzoek, vertelde ScienceDaily: “We zijn nog steeds een lange weg van eigenlijk kunnen voorspellen [naschokken] maar ik denk dat machine learning heeft een enorm potentieel.”