amikor a Los Alamos kutatói megvizsgálták algoritmusuk belső működését, amit megtudtak, meglepte őket. A statisztikai jellemző az algoritmus hajolt a legtöbb erősen annak jóslatok független volt a prekurzor események előtt egy laboratóriumi rengés. Inkább a variancia volt-annak mértéke, hogy a jel hogyan ingadozik az átlagban—, és az egész botcsúszási ciklusban sugárzott, nem csak a meghibásodás előtti pillanatokban., A variancia kicsi lenne, majd fokozatosan emelkedne a run-up alatt egy földrengéshez, feltehetően mivel a blokkok közötti szemek egyre inkább felborultak a szerelési nyírási stressz alatt. Csak a variancia ismeretében, az algoritmus tisztességes találgatást tehet, amikor csúszás történik; a prekurzor eseményekkel kapcsolatos információk segítettek finomítani ezeket a találgatásokat.
a megállapításnak nagy potenciális következményei voltak. Évtizedeken át a leendő földrengés prognosztizátorai foreshocks és más elszigetelt szeizmikus események nyomába eredtek., A Los Alamos eredmény azt sugallta, hogy mindenki rossz helyen keresett — hogy a becslés kulcsa inkább a finomabb információkban rejlik, amelyeket a nagy szeizmikus események közötti viszonylag nyugodt időszakokban közvetítenek.
az biztos, hogy a csúszó blokkok nem kezdik el megragadni a valódi geológiai hibák kémiai, termikus és morfológiai összetettségét. Annak bizonyítására, hogy a gépi tanulás képes megjósolni a valódi földrengéseket, Johnsonnak valódi hibára kellett tesztelnie. Mi lenne jobb hely erre, gondolta, mint a Csendes-óceán északnyugati részén?,
a laboratóriumból
a legtöbb, ha nem minden olyan hely a Földön, amely 9-es erősségű földrengést tapasztalhat, szubdukciós zónák, ahol az egyik tektonikus lemez a másik alá merül. A Japántól keletre fekvő szubdukciós zóna volt a felelős a Tohoku földrengésért és az azt követő szökőárért, amely 2011-ben elpusztította az ország partvonalát. Egy nap, a Cascadia szubdukciós zóna, ahol a Juan de washington államban lemez merülés alatt az Észak-Amerikai lemez, hasonlóképpen pusztítanak Puget Sound, Vancouver-Sziget, valamint a környező Északnyugati.,
a Cascadia szubdukciós zóna a Csendes-óceán partvonalának nagyjából 1000 kilométere mentén húzódik az észak-kaliforniai Mendocino-foktól a Vancouver-szigetig. Utoljára 1700 januárjában tört ki, akkor 9-es erősségű földrengés és szökőár érte el Japán partjait. Geológiai feljegyzések arra utalnak, hogy az egész holocén, a hiba termelt ilyen megaquakes nagyjából egyszer minden fél évezred, ad vagy vesz néhány száz év. Statisztikailag elmondható, hogy a következő nagy már bármelyik évszázadban esedékes.,
Ez az egyik oka annak, hogy a szeizmológusok ilyen nagy figyelmet fordítottak a régió lassú csúszású földrengéseire. Úgy gondolják, hogy a szubdukciós zóna hibájának alsó szakaszaiban a lassú csúszások kis mennyiségű stresszt továbbítanak a fenti törékeny kéregre, ahol gyors, katasztrofális rengések fordulnak elő. Minden lassú csúszással a Puget Sound-Vancouver Island területén, a Csendes-óceán északnyugati megaquake ratchet esélye egyre kissé növekszik. Valójában lassú csúszást figyeltek meg Japánban a Tohoku rengéshez vezető hónapban.,
Johnson esetében azonban van egy másik ok arra, hogy figyeljen a lassú csúszásos földrengésekre: sok-sok adatot termelnek. Összehasonlításképpen: a Puget Sound és a Vancouver-sziget közötti szakaszon az elmúlt 12 évben nem volt jelentős gyors földrengés. Ugyanebben az időtartamban a hiba tucatnyi lassú csúszást eredményezett, mindegyiket egy részletes szeizmikus katalógusban rögzítették.
Ez a szeizmikus katalógus a valós megfelelője a Johnson laboratóriumi földrengés kísérletének akusztikus felvételeinek., Csakúgy, mint az akusztikus felvételekkel, Johnson és munkatársai apró szegmensekre vágták a szeizmikus adatokat, mindegyik szegmenst statisztikai jellemzőkkel jellemezve. Ezután a képzési adatokat, valamint a múltbeli lassú csúszási események időzítésével kapcsolatos információkat a gépi tanulási algoritmusukhoz táplálták.
a 2007-től 2013-ig terjedő adatok alapján az algoritmus képes volt előrejelzést készíteni a 2013 és 2018 között bekövetkezett lassú csúszásokról, az egyes események előtti hónapokban naplózott adatok alapján., A legfontosabb jellemző a szeizmikus energia volt, amely a laboratóriumi kísérletekben az akusztikus jel varianciájához szorosan kapcsolódó mennyiség. Mint a variancia, a szeizmikus energia jellegzetes módon felmászott az egyes lassú csúszásokig.
a Cascadia előrejelzések nem voltak olyan pontosak, mint a laboratóriumi földrengések. A korrelációs együtthatók, amelyek jellemzik, hogy a jóslatok mennyire illeszkednek a megfigyelésekhez, lényegesen alacsonyabbak voltak az új eredményekben, mint a laboratóriumi vizsgálatban., Ennek ellenére az algoritmus képes volt megjósolni a 2013 és 2018 között bekövetkezett öt lassú csúszás egyikét, amely néhány napon belül meghatározta a kezdési időket-mondja Johnson. (A 2019 augusztusában bekövetkezett lassú csúszás nem szerepelt a tanulmányban.)
de Hoop, a nagy tanulság, hogy a “gépi tanulási technikák adott nekünk, egy folyosó, egy belépés keresés adatokat keresni, ami még soha nem azonosított vagy láttam.”De figyelmeztet arra, hogy még több munkát kell végezni. “Fontos lépés történt — rendkívül fontos lépés., De ez olyan, mint egy apró lépés a helyes irányba.”
kijózanító igazságok
a földrengés-előrejelzés célja soha nem volt a lassú csúszások előrejelzése. Inkább a hirtelen, katasztrofális rengéseket kell megjósolni, amelyek veszélyt jelentenek az életre és a végtagokra. A gépi tanulási megközelítéshez ez egy látszólagos paradoxont mutat: a legnagyobb földrengések, azok, amelyeket a szeizmológusok leginkább meg akarnak jósolni, szintén a legritkább. Hogyan lesz egy gépi tanulási algoritmus valaha kap elég képzési adatok megjósolni őket bizalommal?,
a Los Alamos csoport arra fogad, hogy algoritmusaiknak valójában nem kell katasztrofális földrengésekre edzeniük, hogy megjósolják őket. A legújabb tanulmányok azt sugallják, hogy a kis földrengések előtti szeizmikus minták statisztikailag hasonlóak a nagyobb társaikhoz, és egy adott napon több tucat kis földrengés fordulhat elő egyetlen hiba esetén. A számítógép képzett ezer ilyen kis temblors lehet sokoldalú ahhoz, hogy megjósolni a nagyok., A gépi tanulási algoritmusok képesek lehetnek a gyors földrengések számítógépes szimulációira is, amelyek egy nap valódi ADATOK proxyiként szolgálhatnak.
de még így is, a tudósok szembesülnek ezzel a kijózanító igazsággal: bár a földrengés szélén hibát okozó fizikai folyamatok kiszámíthatóak lehetnek, a rengés tényleges kiváltása — egy kis szeizmikus zavar növekedése a teljes hibarepedésbe-a legtöbb tudós úgy véli, hogy legalább a véletlenszerűség egy elemét tartalmazza., Feltételezve, hogy így van, nem számít, milyen jól gépek képzett, lehet, hogy soha nem lesz képes megjósolni földrengések, valamint a tudósok megjósolni más természeti katasztrófák.
“még nem tudjuk, mit jelent az időzítés előrejelzése” – mondta Johnson. “Olyan lenne, mint egy hurrikán? Nem, nem hiszem.”
a legjobb esetben a nagy földrengések előrejelzései valószínűleg hetek, hónapok vagy évek időtartamával rendelkeznek. Az ilyen előrejelzéseket valószínűleg nem lehetett használni, mondjuk, a tömeges evakuálás koordinálására egy temblor előestéjén., De növelhetik a közfelkészültséget, segíthetik a köztisztviselőket a nem biztonságos épületek utólagos felszerelésére irányuló erőfeszítéseikben, és más módon enyhíthetik a katasztrofális földrengések veszélyeit.
Johnson ezt olyan célnak tekinti, amelyre érdemes törekedni. Valaha a realista, azonban, tudja, hogy időbe fog telni. “Nem azt mondom, hogy az életemben földrengéseket fogunk megjósolni” – mondta -, de … pokoli sok előrelépést fogunk elérni.”
ezt a cikket újranyomtatták Wired.com.