Volgens een artikel in het tijdschrift GRL hebben Amerikaanse en Britse geologen een nieuw artificieel intelligentiesysteem ontwikkeld dat aardbevingen kan voorspellen en het met succes hebben getest in een laboratoriumaardbevingssimulator.
“Voor het eerst hebben we een machine learning-systeem kunnen gebruiken om akoestische gegevens te analyseren en een aardbeving te voorspellen lang voordat deze daadwerkelijk plaatsvindt. Hierdoor krijgen we voldoende tijd om de bevolking tijdig te waarschuwen en te evacueren. Het is verbazingwekkend welke kansen kunstmatige intelligentie ons biedt”, zegt Colin Humphries van de Universiteit van Cambridge.
Aardbevingen en andere gevaarlijke rampen die verband houden met het binnenste van de aarde komen het vaakst voor op de grenzen van breuken tussen tektonische platen, waarvan de beweging vaak wordt belemmerd door onregelmatigheden aan hun randen. Wanneer de beweging van de platen stopt, hoopt potentiële energie zich op op het punt van hun contact, die kan worden vrijgegeven in de vorm van warmte en krachtige uitbarstingen van akoestische golven op het moment dat de rotsen in deze onregelmatigheden niet kunnen weerstaan en breken.
Wetenschappers hebben lang geprobeerd te begrijpen welke processen de accumulatie van deze energie regelen, en zijn ook op zoek naar manieren om door het binnenste van de aarde te kijken, zodat we kunnen leren over het verschijnen van dergelijke zones met tektonische spanning en de waarschijnlijkheid, sterkte en tijd van het optreden van nieuwe trillingen kunnen voorspellen op basis van hun eigenschappen.
Ondanks de enorme vooruitgang op dit gebied, zijn dergelijke voorspellingen nog steeds uiterst onnauwkeurig, wat vaak aanleiding geeft tot geschillen tussen wetenschappers en politici die niet van dubbelzinnigheid houden. Seismologen die bijvoorbeeld de omvang van de aardbeving in L'Aquila in Italië in 2009 onjuist voorspelden, kregen echte gevangenisstraffen voor "verkeerde informatie" van de bevolking en de dood van ongeveer driehonderd mensen. Dit demotiveert seismologen en andere wetenschappers verder om specifieke voorspellingen voor de toekomst te doen.
Volgens Humphreys is een van de redenen waarom de huidige aardbevingsvoorspellingen onnauwkeurig of onjuist zijn, dat seismografen en andere observatieapparatuur talloze signalen ontvangen, waarvan er slechts enkele verband houden met de accumulatie van energie aan de grenzen van fouten, terwijl andere worden gegenereerd door andere verschijnselen., op geen enkele manier verbonden met tektonische processen.
In sommige gevallen kunnen deze "obstakels" worden weggenomen - en dan is de voorspelling vrij nauwkeurig, en in andere gevallen, zoals de ramp van 2009, eindigt een mislukking in dit opzicht op een onvoorspelbare manier.
Soortgelijke problemen, zoals Humphries en zijn collega's opmerkten, worden tegenwoordig opgelost door vertegenwoordigers van een heel andere wetenschap: computeringenieurs die verschillende systemen van machine learning en kunstmatige intelligentie ontwikkelen. Een belangrijk kenmerk van moderne neurale netwerken is dat ze zeer "vuile" gegevens kunnen analyseren en daarin kunnen vinden wat nodig is om een probleem op te lossen: bijvoorbeeld voor het sorteren van afbeeldingen van katten en honden of spraakherkenning in een lawaaierige kamer.
Promotie video:
Geleid door dit idee, hebben wetenschappers een speciale 'aardbevingsemulator' gemaakt in het Los Alamos National Laboratory in de VS, die volledig imiteert wat er gebeurt in fouten wanneer nieuwe trillingen worden geboren, en deze hebben gebruikt om het neurale netwerk te leren de sporen van toekomstige aardbevingen te 'zien'. in de dataset die seismografen verzamelen.
Na enige tijd leerde de machine "laboratorium" -aardbevingen correct te voorspellen met een zeer hoge mate van nauwkeurigheid en betrouwbaarheid - dit toont volgens wetenschappers aan dat vergelijkbare methoden kunnen worden gebruikt om de werkelijke seismische situatie te voorspellen. Aan de andere kant kan het huidige algoritme hoogstwaarschijnlijk nog niet voor deze doeleinden worden gebruikt, aangezien het niet is "getraind" op basis van echte gegevens, maar op hun imitatie, en daarom kunnen de voorspellingen ervan nogal onnauwkeurig zijn bij het werken in het veld.