p Medidas das vibrações da Terra ziguezagueavam pela tela de Mostafa Mousavi uma manhã em Memphis, Tenn. Como parte de seu Ph.D. estudos em geofísica, ele se sentou examinando os sinais do terremoto registrados na noite anterior, verificar se algoritmos com décadas de existência detectaram terremotos verdadeiros, em vez de tremores gerados por coisas comuns, como ondas quebrando, passando por caminhões ou pisoteando fãs de futebol. p "Eu fiz todo esse trabalho tedioso por seis meses, olhando para dados contínuos, "Mousavi, agora um cientista pesquisador na Escola da Terra de Stanford, Energia e Ciências Ambientais (Stanford Earth), relembrado recentemente. "Esse foi o ponto que pensei, 'Tem que haver uma maneira muito melhor de fazer essas coisas.' "

p Isso foi em 2013. Os smartphones portáteis já vinham carregados com algoritmos que podiam quebrar a fala em ondas sonoras e gerar as palavras mais prováveis ​​nesses padrões. Usando inteligência artificial, eles podem até aprender com as gravações anteriores para se tornarem mais precisos com o tempo.

p As ondas sísmicas e as ondas sonoras não são tão diferentes. Um se move através da rocha e fluido, o outro pelo ar. No entanto, embora o aprendizado de máquina tenha transformado a maneira como os computadores pessoais processam e interagem com voz e som, os algoritmos usados ​​para detectar terremotos em fluxos de dados sísmicos quase não mudaram desde a década de 1980.

p Isso deixou muitos terremotos não detectados.

p Grandes terremotos são difíceis de perder, mas eles são raros. Enquanto isso, terremotos imperceptivelmente pequenos acontecem o tempo todo. Ocorrendo nas mesmas falhas que terremotos maiores - e envolvendo a mesma física e os mesmos mecanismos - esses "micro-terremotos" representam um cache de informações inexploradas sobre como os terremotos evoluem - mas apenas se os cientistas puderem encontrá-los.

p Em um artigo recente publicado em Nature Communications , Mousavi e co-autores descrevem um novo método para usar a inteligência artificial para enfocar milhões dessas mudanças sutis da Terra. "Ao melhorar nossa capacidade de detectar e localizar esses terremotos muito pequenos, podemos ter uma visão mais clara de como os terremotos interagem ou se espalham ao longo da falha, como eles começam, até mesmo como eles param, "disse o geofísico de Stanford Gregory Beroza, um dos autores do artigo.

p Concentrando-se no que é importante

p Mousavi começou a trabalhar em tecnologia para automatizar a detecção de terremotos logo após sua passagem pelo exame de sismogramas diários em Memphis, mas seus modelos lutaram para desligar o ruído inerente aos dados sísmicos. Alguns anos depois, depois de ingressar no laboratório de Beroza em Stanford em 2017, ele começou a pensar em como resolver esse problema usando o aprendizado de máquina.

p O grupo produziu uma série de detectores cada vez mais poderosos. Um modelo 2018 chamado PhaseNet, desenvolvido por Beroza e o estudante de graduação Weiqiang Zhu, algoritmos adaptados de processamento de imagens médicas para se destacarem na seleção de fases, que envolve a identificação do início preciso de dois tipos diferentes de ondas sísmicas. Outro modelo de aprendizado de máquina, lançado em 2019 e apelidado de CRED, foi inspirado por algoritmos de disparo de voz em sistemas de assistente virtual e provou ser eficaz na detecção. Ambos os modelos aprenderam os padrões fundamentais das sequências de terremotos a partir de um conjunto relativamente pequeno de sismogramas registrados apenas no norte da Califórnia.

p No Nature Communications papel, os autores relatam que desenvolveram um novo modelo para detectar terremotos muito pequenos com sinais fracos que os métodos atuais geralmente ignoram, e para escolher o tempo preciso das fases sísmicas usando dados de terremotos de todo o mundo. Eles o chamam de Transformador de Terremoto.

p De acordo com Mousavi, o modelo se baseia em PhaseNet e CRED, e "incorpora aqueles insights que obtive no momento em que fazia tudo isso manualmente". Especificamente, O Earthquake Transformer imita a forma como os analistas humanos olham para o conjunto de wiggles como um todo e, em seguida, focam em uma pequena seção de interesse.

p As pessoas fazem isso intuitivamente na vida diária - desligando-se de detalhes menos importantes para se concentrar mais intensamente no que é importante. Os cientistas da computação chamam isso de "mecanismo de atenção" e freqüentemente o usam para melhorar as traduções de textos. Mas é novo no campo da detecção automática de terremotos, Disse Mousavi. "Imagino que esta nova geração de detectores e selecionadores de fase será a norma para monitoramento de terremotos nos próximos um ou dois anos, " ele disse.

p A tecnologia pode permitir que os analistas se concentrem em extrair ideias de um catálogo mais completo de terremotos, liberando seu tempo para pensar mais sobre o que significa o padrão de terremotos, disse Beroza, o Professor Wayne Loel de Ciências da Terra em Stanford Earth.

p Falhas ocultas

p Compreender os padrões no acúmulo de pequenos tremores ao longo de décadas ou séculos pode ser a chave para minimizar surpresas - e danos - quando um terremoto maior ocorrer.

p O terremoto Loma Prieta de 1989 foi classificado como um dos desastres terremotos mais destrutivos da história dos Estados Unidos, e como um dos maiores a atingir o norte da Califórnia no século passado. É uma distinção que fala menos do poder extraordinário no caso de Loma Prieta do que das lacunas na preparação para terremotos, mapeamento de perigos e códigos de construção - e para a extrema raridade de grandes terremotos.

p Apenas cerca de um em cada cinco dos cerca de 500, 000 terremotos detectados globalmente por sensores sísmicos todos os anos produzem tremores fortes o suficiente para que as pessoas percebam. Em um ano típico, talvez 100 terremotos causem danos.

p No final dos anos 1980, computadores já estavam trabalhando analisando dados sísmicos gravados digitalmente, e determinaram a ocorrência e localização de terremotos como Loma Prieta em poucos minutos. Limitações nos computadores e nos dados da forma de onda, Contudo, deixou muitos pequenos terremotos não detectados e muitos terremotos maiores apenas parcialmente medidos.

p Depois da dura lição de Loma Prieta, muitas comunidades da Califórnia passaram a confiar em mapas que mostram as zonas de falha e as áreas onde os terremotos podem causar mais danos. Desenvolver o registro de terremotos anteriores com o Earthquake Transformer e outras ferramentas pode tornar esses mapas mais precisos e ajudar a revelar falhas que poderiam vir à luz apenas na esteira da destruição de um terremoto maior, como aconteceu com Loma Prieta em 1989, e com o terremoto de magnitude 6,7 em Northridge em Los Angeles cinco anos depois.

p "Quanto mais informações pudermos obter nas profundezas, estrutura de falha tridimensional por meio de monitoramento aprimorado de pequenos terremotos, melhor podemos antecipar terremotos que se escondem no futuro, "Disse Beroza.

p Transformador de terremoto

p Para determinar a localização e magnitude de um terremoto, algoritmos existentes e especialistas humanos procuram o tempo de chegada de dois tipos de ondas. O primeiro conjunto, conhecidas como ondas primárias ou P, avançar rapidamente - empurrando, puxando e comprimindo o solo como um Slinky enquanto se movem por ele. Em seguida, vem o cisalhamento ou ondas S, que viajam mais devagar, mas podem ser mais destrutivos à medida que movem o lado da Terra para os lados ou para cima e para baixo.

p Para testar o Earthquake Transformer, a equipe queria ver como funcionava com terremotos não incluídos nos dados de treinamento usados ​​para ensinar aos algoritmos como é um verdadeiro terremoto e suas fases sísmicas. Os dados de treinamento incluíram um milhão de sismogramas marcados à mão registrados principalmente nas últimas duas décadas, onde terremotos acontecem globalmente, excluindo o Japão. Para o teste, eles selecionaram cinco semanas de dados contínuos registrados na região do Japão abalada 20 anos atrás pelo terremoto Tottori de magnitude 6,6 e seus tremores secundários.

p O modelo detectou e localizou 21, 092 eventos - mais de duas vezes e meia o número de terremotos escolhidos à mão, usando dados de apenas 18 das 57 estações que os cientistas japoneses usaram originalmente para estudar a sequência. O Transformador de terremoto provou ser particularmente eficaz para minúsculos terremotos que são mais difíceis de serem identificados pelos humanos e registrados em números avassaladores à medida que os sensores sísmicos se multiplicam.

p "Anteriormente, as pessoas projetaram algoritmos para dizer, encontre a onda P. Esse é um problema relativamente simples, "explicou o co-autor William Ellsworth, um professor pesquisador em geofísica em Stanford. Identificar o início da onda S é mais difícil, ele disse, porque emerge dos últimos suspiros erráticos das ondas P que se movem rapidamente. Outros algoritmos foram capazes de produzir catálogos de terremotos extremamente detalhados, incluindo um grande número de pequenos terremotos perdidos pelos analistas - mas seus algoritmos de correspondência de padrões funcionam apenas na região que fornece os dados de treinamento.

p Com o Earthquake Transformer rodando em um computador simples, a análise que normalmente levaria meses de trabalho especializado foi concluída em 20 minutos. Essa velocidade é possibilitada por algoritmos que buscam a existência de um terremoto e o tempo das fases sísmicas em tandem, usando informações coletadas de cada pesquisa para restringir a solução para os outros.

p "O Transformador de Terremoto consegue muito mais terremotos do que outros métodos, sejam pessoas sentadas e tentando analisar as coisas olhando para as formas de onda, ou métodos de computador mais antigos, "Ellsworth disse." Estamos analisando muito mais profundamente o processo do terremoto, e estamos fazendo isso com mais eficiência e precisão. "

p Os pesquisadores treinaram e testaram o Earthquake Transformer em dados históricos, mas a tecnologia está pronta para sinalizar pequenos terremotos quase assim que eles acontecem. De acordo com Beroza, "O monitoramento de terremotos usando aprendizado de máquina quase em tempo real chegará em breve."