când cercetătorii din Los Alamos au cercetat acele lucrări interioare ale algoritmului lor, ceea ce au învățat i-a surprins. Caracteristica statistică pe care algoritmul sa aplecat cel mai mult pentru predicțiile sale nu a avut legătură cu evenimentele precursoare chiar înainte de un cutremur de laborator. Mai degrabă, a fost variația — o măsură a modului în care semnalul fluctuează în legătură cu media — și a fost difuzat pe tot parcursul ciclului stick-slip, nu doar în momentele imediat înainte de eșec., Varianța ar începe mici și apoi urca treptat în timpul run-up la un cutremur, probabil ca boabele dintre blocurile din ce în ce jostled unul pe altul sub stresul de forfecare de montare. Doar cunoscând această variație, algoritmul ar putea face o presupunere decentă la momentul în care ar apărea o alunecare; informațiile despre evenimentele precursoare au ajutat la rafinarea acestor presupuneri.
constatarea a avut implicații potențiale mari. Timp de zeci de ani, prognozatorii cutremurelor s-au fixat pe foreshocks și alte evenimente seismice izolate., Rezultatul Los Alamos a sugerat că toată lumea a căutat în locul greșit — că cheia predicției se află în schimb în informațiile mai subtile difuzate în perioadele relativ calme dintre marile evenimente seismice.pentru a fi siguri, blocurile glisante nu încep să capteze complexitatea chimică, termică și morfologică a adevăratelor defecte geologice. Pentru a arăta că machine learning ar putea prezice cutremure reale, Johnson a trebuit să-l testeze pe o eroare reală. Ce loc mai bun pentru a face asta, el a gândit, decât în Pacific Northwest?,majoritatea, dacă nu toate locurile de pe Pământ care pot experimenta un cutremur cu magnitudinea 9 sunt zone de subducție, unde o placă tectonică se scufundă sub alta. O zonă de subducție la est de Japonia a fost responsabilă pentru cutremurul din Tohoku și tsunami-ul ulterior care a devastat litoralul țării în 2011. Într-o zi, Zona de subducție Cascadia, unde placa Juan de Fuca se scufundă sub placa nord-americană, va devasta în mod similar Puget Sound, Insula Vancouver și nord-vestul Pacificului înconjurător.,zona de subducție Cascadia se întinde de-a lungul a aproximativ 1.000 de kilometri de coasta Pacificului de la capul Mendocino din California de Nord până la insula Vancouver. Ultima dată când a pătruns, în ianuarie 1700, a avut o magnitudine 9 temblor și un tsunami care a ajuns pe coasta Japoniei. Înregistrările geologice sugerează că de-a lungul Holocenului, vina a produs astfel de megaquakes aproximativ o dată la jumătate de mileniu, da sau de a lua câteva sute de ani. Statistic vorbind, următorul mare se datorează orice secol acum.,
acesta este un motiv pentru care seismologii au acordat o atenție atât de mare cutremurelor de alunecare lentă din regiune. Se crede că alunecările lente din zonele inferioare ale unei defecțiuni a zonei de subducție transmit cantități mici de stres crustei fragile de deasupra, unde se produc cutremure rapide și catastrofale. Cu fiecare alunecare lentă în zona Puget Sound-Vancouver Island, șansele unui Pacific Northwest megaquake clichet vreodată atât de ușor. Într-adevăr, o alunecare lentă a fost observată în Japonia în luna care a dus la cutremurul din Tohoku.,cu toate acestea, pentru Johnson, există un alt motiv pentru a acorda atenție cutremurelor cu alunecare lentă: produc o mulțime de date. Pentru comparație, în ultimii 12 ani nu au existat cutremure rapide majore pe porțiunea de defecțiune dintre Puget Sound și insula Vancouver. În același interval de timp, defecțiunea a produs o duzină de alunecări lente, fiecare înregistrată într-un catalog seismic detaliat.
acest catalog seismic este omologul din lumea reală a înregistrărilor acustice din experimentul cutremurului de laborator al lui Johnson., La fel cum au făcut cu înregistrările acustice, Johnson și colegii săi au tăiat datele seismice în segmente mici, caracterizând fiecare segment cu o suită de caracteristici statistice. Apoi au alimentat aceste date de formare, împreună cu informații despre calendarul evenimentelor slow slip din trecut, algoritmului lor de învățare automată.după ce a fost instruit pe date din 2007 până în 2013, algoritmul a reușit să facă predicții despre alunecările lente care au avut loc între 2013 și 2018, pe baza datelor înregistrate în lunile anterioare fiecărui eveniment., Caracteristica cheie a fost energia seismică, o cantitate strâns legată de variația semnalului acustic în experimentele de laborator. La fel ca variația, energia seismică a urcat într-o manieră caracteristică în timpul fiecărei alunecări lente.prognozele Cascadia nu au fost la fel de exacte ca cele pentru cutremurele de laborator. Coeficienții de corelație care caracterizează cât de bine se potrivesc predicțiile observațiilor au fost substanțial mai mici în noile rezultate decât au fost în studiul de laborator., Totuși, algoritmul a fost capabil să prezică toate, cu excepția unuia dintre cele cinci alunecări lente care au avut loc între 2013 și 2018, identificând orele de început, spune Johnson, într-o chestiune de zile. (O alunecare lentă care a avut loc în August 2019 nu a fost inclusă în studiu.)
pentru de Hoop, marele takeaway este că ” tehnicile de învățare automată Ne-au oferit un coridor, o intrare în căutarea datelor pentru a căuta lucruri pe care nu le-am identificat sau văzut niciodată.”Dar el avertizează că mai sunt multe de făcut. „S — a făcut un pas important-un pas extrem de important., Dar este ca un mic pas mic în direcția cea bună.”
adevăruri sobre
scopul prognozării cutremurelor nu a fost niciodată să prezică alunecări lente. Mai degrabă, este de a prezice cutremure bruște, catastrofale, care reprezintă un pericol pentru viață și membre. Pentru abordarea învățării automate, aceasta prezintă un paradox aparent: cele mai mari cutremure, cele pe care seismologii ar dori cel mai mult să le poată prezice, sunt, de asemenea, cele mai rare. Cum va obține vreodată un algoritm de învățare automată suficiente date de instruire pentru a le prezice cu încredere?,grupul Los Alamos pariază că algoritmii lor nu vor trebui să se antreneze pe cutremure catastrofale pentru a le prezice. Studii recente sugerează că modelele seismice înainte de cutremure mici sunt statistic similare cu cele ale omologilor lor mai mari, și în orice zi, zeci de cutremure mici pot apărea pe un singur defect. Un calculator instruit pe mii de aceste temblors mici ar putea fi suficient de versatil pentru a prezice cele mari., Algoritmii de învățare automată ar putea fi, de asemenea, capabili să se antreneze pe simulări pe calculator ale cutremurelor rapide care ar putea servi într-o zi ca proxy-uri pentru date reale.
Dar chiar și așa, oamenii de știință se confruntă cu această cruntul adevăr: Deși procesele fizice care conduce un defect la un pas de un cutremur poate fi previzibil, efectiv declanșarea unui cutremur — creștere de o mică perturbare seismice în plină floare vina ruptura — este considerat de majoritatea oamenilor de știință să conțină cel puțin un element de dezordine., Presupunând că este așa, indiferent cât de bine sunt antrenate mașinile, este posibil să nu poată prezice niciodată cutremure, precum și oamenii de știință prezic alte dezastre naturale.
„nu știm ce prognoză în ceea ce privește calendarul înseamnă încă”, a spus Johnson. „Ar fi ca un uragan? Nu, nu prea cred.în cel mai bun caz, predicțiile cutremurelor mari vor avea probabil limite de timp de săptămâni, luni sau ani. Astfel de previziuni probabil că nu ar putea fi folosite, să zicem, pentru a coordona o evacuare în masă în ajunul unui temblor., Dar acestea ar putea crește gradul de pregătire publică, ar putea ajuta funcționarii publici să-și orienteze eforturile pentru a moderniza clădirile nesigure și, în caz contrar, ar putea atenua pericolele cutremurelor catastrofale.Johnson consideră că este un obiectiv pentru care merită să ne străduim. Cu toate acestea, realistul știe că va dura ceva timp. „Nu spun că vom prezice cutremure în viața mea”, a spus el, ” dar … vom face o mulțime de progrese.”
Acest articol a fost retipărit pe Wired.com.