Amerikanske og britiske geologer har laget et nytt kunstig intelligenssystem som er i stand til å forutsi jordskjelv og har testet det i en jordskjelvsimulator i laboratoriet, ifølge en artikkel publisert i tidsskriftet GRL.
”For første gang har vi kunnet bruke et maskinlæringssystem for å analysere akustiske data og forutsi et jordskjelv lenge før det faktisk skjer. Dette gjør at vi kan få nok tid til å advare og evakuere befolkningen på rett tid. Det er utrolig hvilke muligheter kunstig intelligens gir oss,”sa Colin Humphries fra University of Cambridge.
Jordskjelv og andre farlige katastrofer forbundet med jordas indre oppstår oftest ved grensene til feil mellom tektoniske plater, hvis bevegelse ofte hindres av ujevnheter i kantene. Når bevegelsen av platene stopper, akkumuleres potensiell energi ved kontaktpunktet, som kan frigjøres i form av varme og kraftige utbrudd av akustiske bølger i det øyeblikket bergartene i disse uregelmessighetene ikke tåler og bryter.
Forskere har lenge prøvd å forstå hvilke prosesser som styrer opphopningen av denne energien, og leter også etter måter å "se gjennom" jordas indre slik at vi kan lære om utseendet til slike soner med tektonisk stress og forutsi av deres egenskaper sannsynligheten, styrken og tidspunktet for nye skjelvinger.
Til tross for enorm fremgang på dette området, er slike forutsigelser fremdeles ekstreme unøyaktige, noe som ofte gir opphav til tvister mellom forskere og politikere som ikke liker uklarhet. For eksempel fikk seismologer som feil spådde omfanget av jordskjelvet i L'Aquila i Italia i 2009, reelle fengselsstraffer for "feilinformasjon" om befolkningen og døden til rundt tre hundre mennesker. Dette demotiverer seismologer og andre forskere ytterligere for å komme med spesifikke spådommer for fremtiden.
I følge Humphreys er en av grunnene til at nåværende jordskjelvspådommer er unøyaktige eller feilaktige, at seismografer og andre observasjonsinnretninger mottar utallige signaler, bare noen av dem er assosiert med akkumulering av energi på grensene til feil, mens andre genereres av andre fenomener., ikke koblet på noen måte med tektoniske prosesser.
I noen tilfeller kan disse "hindringene" luktes ut - og da er prognosen ganske nøyaktig, og i andre tilfeller, som katastrofen i 2009, ender svikt i denne forbindelse på en uforutsigbar måte.
Lignende problemer, som bemerket av Humphreys og hans kolleger, løses i dag av representanter for en helt annen vitenskap - datamaskiningeniører som er involvert i utviklingen av forskjellige systemer for maskinlæring og kunstig intelligens. Et sentralt trekk ved moderne nevrale nettverk er at de kan analysere veldig "skitne" data og finne i dem hva som kreves for å løse et problem: for eksempel for å sortere bilder av katter og hunder eller tale anerkjennelse i et støyende rom.
Salgsfremmende video:
Veiledet av denne ideen har forskere opprettet en spesiell "jordskjelvemulator" ved Los Alamos National Laboratory i USA, som fullstendig imiterer hva som skjer i feil når nye skjelvinger blir født, og brukte det til å lære det nevrale nettverket å "se" sporene til fremtidige jordskjelv. i datasettet som seismografer samler.
Etter en tid lærte maskinen å korrekt forutsi "laboratorie" jordskjelv med en veldig høy grad av nøyaktighet og pålitelighet - dette viser, ifølge forskere, at lignende metoder kan brukes til å forutsi den virkelige seismiske situasjonen. På den annen side kan den nåværende algoritmen, sannsynligvis, ennå ikke brukes til disse formålene, siden den ble "trent" ikke på reelle data, men på deres etterligning, og derfor kan prognosene være ganske unøyaktige når du jobber i feltet.
