toen de Los Alamos onderzoekers die innerlijke werking van hun algoritme doorzochten, verraste wat ze leerden hen. De statistische functie waarop het algoritme het zwaarst leunde voor zijn voorspellingen was niet gerelateerd aan de precursor gebeurtenissen vlak voor een aardbeving in het laboratorium. Integendeel, het was de variantie-een maat van hoe het signaal fluctueert over het gemiddelde — en het werd uitgezonden gedurende de stick-slip cyclus, niet alleen in de momenten direct voor de mislukking., De variantie zou beginnen klein en dan geleidelijk klimmen tijdens de aanloop naar een aardbeving, vermoedelijk als de korrels tussen de blokken steeds meer elkaar verdrongen onder de toenemende afschuifspanning. Gewoon door het kennen van deze variantie, kon het algoritme een fatsoenlijke gok te maken op wanneer een slip zou optreden; informatie over precursor gebeurtenissen hielp verfijnen die gissingen.
de bevinding had grote potentiële implicaties. Decennialang hadden potentiële voorspellers van aardbevingen ingetoetst op voorafschotten en andere geïsoleerde seismische gebeurtenissen., Het resultaat van Los Alamos suggereerde dat iedereen op de verkeerde plaats had gezocht — dat de sleutel tot voorspelling in plaats daarvan lag in de meer subtiele informatie-uitzending tijdens de relatief rustige perioden tussen de grote seismische gebeurtenissen.
om zeker te zijn, beginnen schuifblokken niet de chemische, thermische en morfologische complexiteit van echte geologische fouten vast te leggen. Om te laten zien dat machine learning echte aardbevingen kon voorspellen, moest Johnson het testen op een echte fout. Welke betere plek om dat te doen, dacht hij, dan in de Pacific Northwest?,
buiten het Lab
De meeste, zo niet alle plaatsen op aarde die een aardbeving met magnitude 9 kunnen ervaren, zijn subductiezones, waar de ene tektonische plaat onder een andere duikt. Een subductiezone net ten oosten van Japan was verantwoordelijk voor de Tohoku aardbeving en de daaropvolgende tsunami die de kustlijn van het land verwoestte in 2011. Op een dag zal de subductiezone van Cascadia, waar de plaat van Juan De Fuca onder de Noord-Amerikaanse plaat duikt, ook Puget Sound, Vancouver Island en de omliggende Pacific Northwest verwoesten.,
De subductiezone van Cascadia strekt zich uit over ongeveer 1.000 kilometer van de Pacifische kustlijn van Cape Mendocino in Noord-Californië tot Vancouver Island. De laatste keer dat het doorbrak, in januari 1700, verwekte het een magnitude 9 temblor en een tsunami die de kust van Japan bereikte. Geologische gegevens suggereren dat gedurende het Holoceen, de breuk zulke megaquakes heeft geproduceerd ongeveer eens per half millennium, ongeveer een paar honderd jaar. Statistisch gezien komt de volgende grote nu elke eeuw.,
dat is een reden waarom seismologen zoveel aandacht hebben besteed aan de langzame slip aardbevingen in het gebied. De langzame slippen in de benedenloop van een subductiezonefout worden verondersteld kleine hoeveelheden stress over te brengen naar de brosse korst hierboven, waar snelle, catastrofale bevingen plaatsvinden. Met elke langzame slip in de Puget Sound-Vancouver Island gebied, de kans op een Pacific Northwest Megaquake ratchet ooit zo licht. Inderdaad, een langzame slip werd waargenomen in Japan in de maand voorafgaand aan de Tohoku aardbeving.,
voor Johnson is er echter nog een andere reden om aandacht te besteden aan langzame slip aardbevingen: ze produceren heel veel data. Ter vergelijking, er zijn geen grote snelle aardbevingen geweest op het stuk van de breuk tussen Puget Sound en Vancouver Island in de afgelopen 12 jaar. In dezelfde tijdspanne, heeft de fout een dozijn langzame slippen geproduceerd, elk opgenomen in een gedetailleerde seismische catalogus.
die seismische catalogus is de echte tegenhanger van de akoestische opnames van Johnson ‘ s Laboratory earthquake experiment., Net als bij de akoestische opnames, hakten Johnson en zijn collega ‘ s de seismische gegevens in kleine segmenten, waarbij ze elk segment karakteriseerden met een reeks statistische kenmerken. Vervolgens voedden ze die trainingsgegevens, samen met informatie over de timing van eerdere slow slip-gebeurtenissen, aan hun machine learning-algoritme.
nadat het algoritme van 2007 tot 2013 was getraind op gegevens, kon het voorspellingen doen over trage slippen die zich tussen 2013 en 2018 voordeden, op basis van de gegevens die in de maanden vóór elke gebeurtenis waren geregistreerd., Het belangrijkste kenmerk was de seismische energie, een hoeveelheid die nauw verband hield met de variantie van het akoestische signaal in de laboratoriumexperimenten. Net als de variantie, klom de seismische energie op een karakteristieke manier in de aanloop naar elke langzame slip.
De Cascadia-voorspellingen waren niet zo nauwkeurig als die voor laboratoriumbevingen. De correlatiecoëfficiënten die karakteriseren hoe goed de voorspellingen passen observaties waren aanzienlijk lager in de nieuwe resultaten dan ze waren in het laboratoriumonderzoek., Toch, het algoritme was in staat om alle te voorspellen, behalve een van de vijf trage slips die zich tussen 2013 en 2018, het aanwijzen van de starttijden, Johnson zegt, binnen een kwestie van dagen. (Een langzame slip die plaatsvond in augustus 2019 was niet opgenomen in de studie.)
voor de Hoop, de grote afhaalpunt is dat ” machine learning technieken hebben ons een corridor, een ingang in het zoeken in data om te zoeken naar dingen die we nooit eerder hebben geïdentificeerd of gezien.”Maar hij waarschuwt dat er meer werk aan de winkel is. “Er is een belangrijke stap gezet-een uiterst belangrijke stap., Maar het is als een kleine stap in de goede richting.”
ontnuchterende waarheden
Het doel van het voorspellen van aardbevingen is nooit geweest om langzame slippen te voorspellen. Het is eerder om plotselinge, catastrofale bevingen te voorspellen die gevaar opleveren voor leven en ledematen. Voor de machine learning-benadering is dit een schijnbare paradox: de grootste aardbevingen, die seismologen het liefst zouden kunnen voorspellen, zijn ook de zeldzaamste. Hoe zal een machine learning algoritme ooit genoeg trainingsgegevens krijgen om ze met vertrouwen te voorspellen?,
De Los Alamos groep wed dat hun algoritmen niet echt nodig hebben om te trainen op catastrofale aardbevingen om ze te voorspellen. Recente studies suggereren dat de seismische patronen voor kleine aardbevingen statistisch vergelijkbaar zijn met die van hun grotere tegenhangers, en op een bepaalde dag, tientallen kleine aardbevingen kunnen optreden op een enkele breuk. Een computer getraind op duizenden van die kleine temblors kan veelzijdig genoeg zijn om de grote te voorspellen., Machine learning algoritmen kunnen ook trainen op computersimulaties van snelle aardbevingen die op een dag kunnen dienen als proxies voor echte gegevens.maar toch zullen wetenschappers deze ontnuchterende waarheid onder ogen zien: hoewel de fysische processen die een breuk tot aan de rand van een aardbeving drijven voorspelbaar kunnen zijn, geloven de meeste wetenschappers dat de werkelijke triggering van een aardbeving — de groei van een kleine seismische verstoring tot een volledige breuk van de breuk-ten minste een element van willekeur bevat., Ervan uitgaande dat dat zo is, maakt niet uit hoe goed machines worden getraind, ze kunnen misschien nooit aardbevingen voorspellen evenals wetenschappers andere natuurrampen voorspellen.
” we weten niet wat forecasting met betrekking tot timing betekent nog, ” Johnson zei. “Zou het als een orkaan zijn? Nee, Ik denk het niet.”
in het beste geval zullen voorspellingen van grote aardbevingen waarschijnlijk een tijdslimiet hebben van weken, maanden of jaren. Dergelijke voorspellingen kunnen waarschijnlijk niet worden gebruikt, laten we zeggen, om een massale evacuatie te coördineren aan de vooravond van een temblor., Maar ze zouden de publieke paraatheid kunnen vergroten, ambtenaren kunnen helpen hun inspanningen om onveilige gebouwen om te bouwen, te richten en anders de gevaren van catastrofale aardbevingen te beperken.
Johnson ziet dat als een doel dat het nastreven waard is. Maar de realist weet dat het tijd zal kosten. “Ik zeg niet dat we aardbevingen gaan voorspellen in mijn leven,” zei hij, “maar … we gaan heel veel vooruitgang boeken.”
Dit artikel is herdrukt op Wired.com.