Μια νέα προσέγγιση τεχνητής νοημοσύνης θα μπορούσε να βοηθήσει στην πρόβλεψη της θέσης των μετασεισμών μετά από έναν σεισμό
An σεισμός είναι ένα φαινόμενο που προκαλείται όταν βράχος υπόγεια στο Γη ο φλοιός σπάει ξαφνικά γύρω από μια γεωλογική γραμμή ρήγματος. Αυτό προκαλεί ταχεία απελευθέρωση ενέργειας που παράγει σεισμικά κύματα τα οποία στη συνέχεια κάνουν το έδαφος να τρέμει και αυτή είναι η αίσθηση που πέσαμε κατά τη διάρκεια ενός σεισμού. Το σημείο όπου σπάει ο βράχος ονομάζεται εστία του σεισμός και το μέρος πάνω από αυτό στο έδαφος ονομάζεται «επίκεντρο». Η ενέργεια που απελευθερώνεται μετριέται ως μέγεθος, μια κλίμακα για να περιγράψει πόσο ενεργητικός ήταν ένας σεισμός. Ένας σεισμός μεγέθους 2 βαθμών είναι ελάχιστα αντιληπτός και μπορεί να καταγραφεί μόνο με τη χρήση ευαίσθητου εξειδικευμένου εξοπλισμού, ενώ σεισμούς μεγέθους μεγαλύτερου από 8 μπορεί να προκαλέσει το έδαφος να κουνηθεί αισθητά πολύ δυνατά. Ένας σεισμός ακολουθείται γενικά από πολλούς μετασεισμούς που συμβαίνουν με παρόμοιο μηχανισμό και οι οποίοι είναι εξίσου καταστροφικοί και πολλές φορές η ένταση και η σφοδρότητά τους είναι παρόμοια με τον αρχικό σεισμό. Τέτοιες μετασεισμικές δονήσεις συμβαίνουν γενικά εντός της πρώτης ώρας ή μιας ημέρας μετά τον κύριο σεισμός. Η πρόβλεψη της χωρικής κατανομής των μετασεισμών είναι πολύ δύσκολη.
Οι επιστήμονες έχουν διατυπώσει εμπειρικούς νόμους για να περιγράψουν το μέγεθος και τον χρόνο των μετασεισμών, αλλά ο εντοπισμός της θέσης τους εξακολουθεί να αποτελεί πρόκληση. Ερευνητές της Google και του Πανεπιστημίου του Χάρβαρντ έχουν επινοήσει μια νέα προσέγγιση για την αξιολόγηση σεισμούς και πρόβλεψη τοποθεσίας μετασεισμών χρησιμοποιώντας τεχνολογία τεχνητής νοημοσύνης στη μελέτη τους που δημοσιεύτηκε στο Φύση. Χρησιμοποίησαν συγκεκριμένα μηχανική μάθηση - μια πτυχή της τεχνητής νοημοσύνης. Στην προσέγγιση της μηχανικής μάθησης, μια μηχανή «μαθαίνει» από ένα σύνολο δεδομένων και αφού αποκτήσει αυτή τη γνώση είναι σε θέση να χρησιμοποιήσει αυτές τις πληροφορίες για να κάνει προβλέψεις για νεότερα δεδομένα.
Οι ερευνητές ανέλυσαν αρχικά μια βάση δεδομένων των παγκόσμιων σεισμών χρησιμοποιώντας αλγόριθμους βαθιάς μάθησης. Η βαθιά μάθηση είναι ένας προηγμένος τύπος μηχανικής μάθησης στην οποία τα νευρωνικά δίκτυα προσπαθούν να μιμηθούν τη διαδικασία σκέψης του ανθρώπινου εγκεφάλου. Στη συνέχεια, είχαν στόχο να μπορέσουν πρόβλεψη μετασεισμοί καλύτερα από τυχαίες εικασίες και προσπαθήστε να λύσετε το πρόβλημα του «πού» θα συμβούν οι μετασεισμοί. Οι παρατηρήσεις που συλλέχθηκαν από περισσότερους από 199 μεγάλους σεισμούς σε όλο τον κόσμο χρησιμοποιήθηκαν και αποτελούνταν από περίπου 131,000 ζεύγη κύριου σεισμού-μετασεισμού. Αυτές οι πληροφορίες συνδυάστηκαν με ένα μοντέλο βασισμένο στη φυσική που περιγράφει τον τρόπο Γη θα ήταν τεντωμένο και τεταμένο μετά από ένα σεισμός που στη συνέχεια θα πυροδοτήσουν μετασεισμούς. Δημιούργησαν πλέγματα τετράγωνων 5 χιλιομέτρων εντός των οποίων το σύστημα θα έλεγχε για μετασεισμό. Το νευρωνικό δίκτυο θα σχηματίσει τότε σχέσεις μεταξύ των τάσεων που προκαλούνται από τον κύριο σεισμό και της θέσης των μετασεισμών. Μόλις το σύστημα νευρωνικών δικτύων ήταν καλά εκπαιδευμένο με αυτόν τον τρόπο, ήταν σε θέση να προβλέψει με ακρίβεια τη θέση των μετασεισμών. Η μελέτη ήταν εξαιρετικά προκλητική καθώς χρησιμοποίησε πολύπλοκα πραγματικά δεδομένα σεισμών. Οι ερευνητές δημιούργησαν εναλλακτικά τεχνητός και το είδος των «ιδανικών» σεισμών για τη δημιουργία προβλέψεων και στη συνέχεια εξέτασε τις προβλέψεις. Εξετάζοντας την έξοδο του νευρωνικού δικτύου, προσπάθησαν να αναλύσουν ποιες διαφορετικές «ποσότητες» είναι πιθανό να ελέγχουν την πρόβλεψη μετασεισμών. Αφού έκαναν χωρικές συγκρίσεις, οι ερευνητές κατέληξαν στο συμπέρασμα ότι ένα τυπικό μοτίβο μετασεισμού ήταν φυσικά «ερμηνεύσιμο». Η ομάδα προτείνει ότι το κλειδί είναι μια ποσότητα που ονομάζεται δεύτερη παραλλαγή της τάσης αποκλίνουσας τάσης – που απλά ονομάζεται J2. Αυτή η ποσότητα είναι εξαιρετικά ερμηνεύσιμη και χρησιμοποιείται συνήθως στη μεταλλουργία και σε άλλους τομείς, αλλά δεν έχει χρησιμοποιηθεί ποτέ πριν για τη μελέτη των σεισμών.
Οι μετασεισμοί των σεισμών προκαλούν περαιτέρω τραυματισμούς, ζημιές σε ιδιότητες και επίσης εμποδίζουν τις προσπάθειες διάσωσης, επομένως η πρόβλεψή τους θα ήταν σωτήρια για την ανθρωπότητα. Η πρόβλεψη σε πραγματικό χρόνο μπορεί να μην είναι δυνατή αυτή τη στιγμή, καθώς τα τρέχοντα μοντέλα τεχνητής νοημοσύνης μπορούν να αντιμετωπίσουν μόνο έναν συγκεκριμένο τύπο μετασεισμών και απλή γεωλογική γραμμή ρήγματος. Αυτό είναι σημαντικό επειδή οι γεωλογικές γραμμές ρηγμάτων έχουν διαφορετική γεωμετρία σε διαφορετικές γεωγραφικές θέσεις στο πλανήτης. Έτσι, μπορεί να μην ισχύει επί του παρόντος για διαφορετικούς τύπους σεισμών σε όλο τον κόσμο. Παρόλα αυτά, η τεχνολογία τεχνητής νοημοσύνης φαίνεται κατάλληλη για σεισμούς λόγω n αριθμού μεταβλητών που πρέπει να ληφθούν υπόψη κατά τη μελέτη τους, όπως η δύναμη του κραδασμού, η θέση των τεκτονικών πλακών κ.λπ.
Τα νευρωνικά δίκτυα έχουν σχεδιαστεί για να βελτιώνονται με την πάροδο του χρόνου, δηλαδή καθώς περισσότερα δεδομένα τροφοδοτούνται σε ένα σύστημα, λαμβάνει χώρα περισσότερη μάθηση και το σύστημα βελτιώνεται σταθερά. Στο μέλλον ένα τέτοιο σύστημα θα μπορούσε να είναι αναπόσπαστο μέρος των συστημάτων πρόβλεψης που χρησιμοποιούνται από τους σεισμολόγους. Οι σχεδιαστές θα μπορούσαν επίσης να εφαρμόσουν μέτρα έκτακτης ανάγκης με βάση τη γνώση της συμπεριφοράς του σεισμού. Η ομάδα θέλει να χρησιμοποιήσει τεχνολογία τεχνητής νοημοσύνης για να προβλέψει το μέγεθος των σεισμών.
***
{Μπορείτε να διαβάσετε την αρχική ερευνητική εργασία κάνοντας κλικ στον σύνδεσμο DOI που δίνεται παρακάτω στη λίστα των αναφερόμενων πηγών}
Πηγές)
DeVries PMR et al. 2018. Βαθιά εκμάθηση μοτίβων μετασεισμών μετά από μεγάλους σεισμούς. Φύση560 (7720).
https://doi.org/10.1038/s41586-018-0438-y
***
