Nas semanas e meses após um grande terremoto, a área ao redor é frequentemente devastada por tremores poderosos que podem deixar uma comunidade já danificada cambaleando e dificultar significativamente os esforços de recuperação.

Enquanto os cientistas desenvolveram leis empíricas, como a Lei de Bäth e a Lei de Ohmori, para descrever o tamanho provável e o tempo desses tremores secundários, métodos para prever sua localização têm sido mais difíceis de entender.

Mas estimulado por uma sugestão de pesquisadores do Google, Brendan Meade, um Professor de Ciências da Terra e Planetárias, e Phoebe DeVries, um pós-doutorado trabalhando em seu laboratório, estão usando tecnologia de inteligência artificial para tentar resolver o problema.

Usando algoritmos de aprendizado profundo, a dupla analisou um banco de dados de terremotos de todo o mundo para tentar prever onde os tremores secundários podem ocorrer, e desenvolveu um sistema que, embora ainda impreciso, foi capaz de prever os tremores secundários significativamente melhor do que a atribuição aleatória. O trabalho é descrito em um artigo publicado em 30 de agosto em Natureza .

"Há três coisas que você quer saber sobre terremotos - você quer saber quando eles vão ocorrer, quão grande eles serão e onde eles estarão, "Meade disse." Antes deste trabalho, tínhamos leis empíricas para quando ocorreriam e quão grandes seriam, e agora estamos trabalhando na terceira etapa, onde podem ocorrer. "

"Estou muito animado com o potencial de aprendizado de máquina no futuro com esse tipo de problema - é um problema muito importante a ser perseguido, "DeVries disse." A previsão de tremores secundários em particular é um desafio bem adequado ao aprendizado de máquina porque existem tantos fenômenos físicos que podem influenciar o comportamento de tremores secundários, e o aprendizado de máquina é extremamente bom em provocar essas relações. Acho que apenas arranhamos a superfície do que poderia ser feito com a previsão de tremores secundários ... e isso é realmente emocionante. "

A noção de usar redes neurais inteligentes artificiais para tentar prever tremores secundários surgiu há vários anos, durante o primeiro dos dois anos sabáticos de Meade no Google em Cambridge.

Enquanto trabalhava em um problema relacionado com uma equipe de pesquisadores, Meade disse, um colega sugeriu que os algoritmos de "aprendizado profundo" então emergentes poderiam tornar o problema mais tratável. Meade mais tarde se tornaria parceiro de DeVries, que usava redes neurais para transformar código de computação de alto desempenho em algoritmos que podiam ser executados em um laptop para se concentrar em tremores secundários.

“O objetivo é completar o quadro e esperamos ter contribuído para isso, "Meade disse.

Para fazer isso, Meade e DeVries começaram acessando um banco de dados de observações feitas após mais de 199 grandes terremotos.

"Depois de terremotos de magnitude 5 ou maior, as pessoas passam muito tempo mapeando qual parte da falha escorregou e o quanto ela se moveu, "Meade disse." Muitos estudos podem usar observações de um ou dois terremotos, mas usamos todo o banco de dados ... e o combinamos com um modelo baseado na física de como a Terra será estressada e esticada após o terremoto, com a ideia de que as tensões e tensões causadas pelo choque principal podem ser o que desencadeia os tremores secundários. "

Armado com essa informação, eles então separam uma área encontrada em grades de 5 quilômetros quadrados. Em cada grade, o sistema verifica se houve um tremor posterior, e pede à rede neural para procurar correlações entre os locais onde ocorreram os tremores secundários e as tensões geradas pelo terremoto principal.

"A questão é que combinação de fatores pode ser preditiva, "Meade disse." Existem muitas teorias, mas uma coisa que este artigo faz é claramente derrubar a teoria mais dominante - mostra que tem um poder preditivo insignificante, e, em vez disso, apresenta um que tem um poder preditivo significativamente melhor. "

O que o sistema apontou, Meade disse, é uma quantidade conhecida como o segundo invariante do tensor de tensão desviante - mais conhecido simplesmente como J2.

“Essa é uma quantidade que ocorre na metalurgia e em outras teorias, mas nunca foi popular na ciência de terremotos, "Meade disse." Mas o que isso significa é que a rede neural não apareceu com algo maluco, surgiu com algo que era altamente interpretável. Foi capaz de identificar que física devemos examinar, o que é muito legal. "

Essa interpretabilidade, DeVries disse, é crítica porque os sistemas de inteligência artificial há muito tempo são vistos por muitos cientistas como caixas pretas - capazes de produzir uma resposta com base em alguns dados.

"Esta foi uma das etapas mais importantes do nosso processo, "disse ela." Quando treinamos a rede neural pela primeira vez, notamos que ele se saiu muito bem em prever os locais de tremores secundários, mas pensamos que seria importante se pudéssemos interpretar quais fatores ele estava descobrindo que eram importantes ou úteis para essa previsão. "

Enfrentar esse desafio com dados altamente complexos do mundo real, Contudo, seria uma tarefa difícil, então a dupla pediu ao sistema para criar previsões para sintéticos, terremotos altamente idealizados e, em seguida, examinando as previsões.

"Observamos a saída da rede neural e o que esperaríamos se diferentes quantidades controlassem a previsão de tremores secundários, "disse ela." Comparando-os espacialmente, pudemos mostrar que J2 parece ser importante na previsão. "

E como a rede foi treinada usando terremotos e tremores secundários de todo o mundo, Meade disse, o sistema resultante funcionou para muitos tipos diferentes de falhas.

"Falhas em diferentes partes do mundo têm geometrias diferentes, "Meade disse." Na Califórnia, a maioria são falhas por escorregamento, mas em outros lugares, como o Japão, eles têm zonas de subducção muito rasas. Mas o que é legal sobre este sistema é que você pode treiná-lo em um, e vai predizer por outro, então é realmente generalizável. "

"Ainda estamos muito longe de realmente sermos capazes de prevê-los, "disse ela." Estamos muito longe de fazer isso em tempo real, mas acho que o aprendizado de máquina tem um potencial enorme aqui. "

Daqui para frente, Meade disse, ele está trabalhando em esforços para prever a magnitude dos próprios terremotos usando tecnologia de inteligência artificial com o objetivo de um dia ajudar a prevenir os impactos devastadores dos desastres.

"Os sismólogos ortodoxos são em grande parte patologistas, "Meade disse." Eles estudam o que acontece depois do evento catastrófico. Não quero fazer isso - quero ser epidemiologista. Eu quero entender os gatilhos, causas e transferências que levam a esses eventos. "

Em última análise, Meade disse, o estudo serve para destacar o potencial dos algoritmos de aprendizado profundo para responder a perguntas que - até recentemente - os cientistas mal sabiam fazer.

"Acho que há uma revolução silenciosa no pensamento sobre a previsão de terremotos, "ele disse." Não é mais uma ideia totalmente fora de questão. E embora este resultado seja interessante, Acho que isso é parte de uma revolução em geral sobre a reconstrução de toda a ciência na era da inteligência artificial.

"Problemas assustadoramente difíceis são extremamente acessíveis hoje em dia, "ele continuou." Isso não se deve apenas ao poder da computação - a comunidade científica vai se beneficiar tremendamente com isso porque ... a IA parece extremamente assustadora, mas na verdade não é. É um tipo de computação extraordinariamente democratizante, e acho que muitas pessoas estão começando a entender isso. "