När Los Alamos-forskarna undersökte de inre arbetena i deras algoritm, vad de lärde sig överraskade dem. Den statistiska funktionen algoritmen lutade sig mest för sina förutsägelser var orelaterad med prekursorhändelserna strax före ett laboratoriekvake. Snarare var det variansen-ett mått på hur signalen fluktuerar om medelvärdet — och det sändes under hela glidcykeln, inte bara i stunderna omedelbart före misslyckande., Variansen skulle börja små och sedan gradvis klättra under upptakten till ett skalv, förmodligen som kornen mellan blocken alltmer trängde varandra under monterings skjuvning stress. Bara genom att känna till denna varians kan algoritmen göra en anständig gissning på när en glidning skulle inträffa. information om prekursorhändelser hjälpte till att förfina dessa gissningar.
upptäckten hade stora potentiella konsekvenser. I årtionden hade blivande jordbävningsprognostikatorer keyed in på förhudar och andra isolerade seismiska händelser., Los Alamos-resultatet föreslog att alla hade tittat på fel ställe – att nyckeln till förutsägelse låg istället i den mer subtila informationssändningen under de relativt lugna perioderna mellan de stora seismiska händelserna.
för att vara säker börjar glidblock inte fånga den kemiska, termiska och morfologiska komplexiteten hos sanna geologiska fel. För att visa att maskininlärning kunde förutsäga verkliga jordbävningar behövde Johnson testa det på ett riktigt fel. Vilket bättre ställe att göra det, tänkte han, än i nordvästra Stilla havet?,
ut ur labbet
de flesta om inte alla platser på jorden som kan uppleva en magnitud 9 jordbävning är subduktionszoner, där en tektonisk platta dyker under en annan. En subduktionszon strax öster om Japan var ansvarig för Tohoku jordbävningen och den efterföljande tsunamin som ödelade landets kust under 2011. En dag kommer Cascadia subduction zone, där Juan de Fuca-plattan dyker under den nordamerikanska plattan, på samma sätt att förstöra Puget Sound, Vancouver Island och den omgivande Pacific Northwest.,
Cascadia subduktionszon sträcker sig längs ungefär 1,000 kilometer av Stillahavskusten från Cape Mendocino i norra Kalifornien till Vancouver Island. Den sista gången den bröt, i januari 1700, börjadeinte en magnitud 9 temblor och en tsunami som nådde Japans kust. Geologiska register tyder på att hela Holocenen har felet producerat sådana megaquakes ungefär en gång varje halvår, ge eller ta några hundra år. Statistiskt sett beror nästa stora ett århundrade nu.,
det är en anledning till att seismologer har ägnat så stor uppmärksamhet åt regionens långsamma jordbävningar. De långsamma glidningarna i de nedre delarna av ett subduktionszonfel tros överföra små mängder stress till den spröda skorpan ovanför, där snabba, katastrofala skakningar uppstår. Med varje sakta glida i Puget Sound-Vancouver Island, chanserna för en Pacific Northwest megaquake ratchet aldrig så lite. Faktum är att en långsam glidning observerades i Japan under månaden som ledde fram till Tohoku-quake.,
För Johnson finns det dock en annan anledning att uppmärksamma långsamma glidande jordbävningar: de producerar massor och massor av data. Som jämförelse har det inte funnits några stora snabba jordbävningar på felsträckan mellan Puget Sound och Vancouver Island under de senaste 12 åren. Under samma tidsperiod har felet producerat ett dussin långsamma slipsar, var och en inspelad i en detaljerad seismisk katalog.
den seismiska katalogen är den verkliga motsvarigheten till de akustiska inspelningarna från Johnsons Laboratory earthquake experiment., Precis som de gjorde med de akustiska inspelningarna hackade Johnson och hans medarbetare de seismiska uppgifterna i små segment och karaktäriserade varje segment med en uppsättning statistiska funktioner. De matade sedan träningsdata, tillsammans med information om tidpunkten för tidigare långsamma händelser, till deras maskininlärningsalgoritm.
Efter att ha utbildats på data från 2007 till 2013 kunde algoritmen göra förutsägelser om långsamma slipsar som inträffade mellan 2013 och 2018, baserat på data som loggades i månaderna före varje händelse., Nyckelfunktionen var den seismiska energin, en mängd som var nära relaterad till variansen hos den akustiska signalen i laboratorieexperimenten. Liksom variansen klättrade den seismiska energin på ett karakteristiskt sätt i upptakten till varje långsam glidning.
Cascadia-prognoserna var inte riktigt lika exakta som de för laboratoriekvakor. Korrelationskoefficienterna som karakteriserar hur väl förutsägelserna passar observationer var väsentligt lägre i de nya resultaten än de var i laboratoriestudien., Ändå kunde algoritmen förutsäga alla utom en av de fem långsamma slipsar som inträffade mellan 2013 och 2018, och preciserade starttiderna, säger Johnson, inom några dagar. (En långsam glidning som inträffade i augusti 2019 ingick inte i studien.)
För De Hoop är den stora takeaway att ” maskininlärningstekniker har gett oss en korridor, en post i att söka i data för att leta efter saker som vi aldrig har identifierat eller sett tidigare.”Men han varnar för att det finns mer arbete att göra. ”Ett viktigt steg har tagits — ett oerhört viktigt steg., Men det är som ett litet steg i rätt riktning.”
nyktra sanningar
målet med jordbävningsprognoser har aldrig varit att förutsäga långsamma slipsar. Snarare är det att förutsäga plötsliga, katastrofala skakningar som utgör fara för liv och lem. För maskininlärningsmetoden presenterar detta en uppenbar paradox: de största jordbävningarna, de som seismologer mest skulle vilja kunna förutse, är också de sällsynta. Hur kommer en maskininlärningsalgoritm någonsin att få tillräckligt med träningsdata för att förutsäga dem med självförtroende?,
gruppen Los Alamos satsar på att deras algoritmer faktiskt inte behöver träna på katastrofala jordbävningar för att förutsäga dem. Nya studier tyder på att de seismiska mönstren före små jordbävningar statistiskt liknar deras större motsvarigheter, och på en viss dag kan dussintals små jordbävningar uppstå på ett enda fel. En dator utbildad på tusentals av dessa små temblors kan vara mångsidig nog att förutsäga de stora., Maskininlärningsalgoritmer kan också kunna träna på datorsimuleringar av snabba jordbävningar som en dag kan fungera som fullmakter för riktiga data.
men ändå kommer forskare att konfrontera denna nyktra sanning: även om de fysiska processerna som driver ett fel till randen av en jordbävning kan vara förutsägbara, kan den faktiska utlösningen av ett skalv — tillväxten av en liten seismisk störning i fullblåst felbrott-antas av de flesta forskare att innehålla åtminstone ett element av slumpmässighet., Förutsatt att det är så, oavsett hur väl maskiner utbildas, kan de aldrig kunna förutsäga jordbävningar samt forskare förutsäga andra naturkatastrofer.
”Vi vet inte vad prognoser när det gäller timing betyder ännu”, sa Johnson. ”Skulle det vara som en orkan? Nej, Jag tror inte det.”
i bästa fall kommer förutsägelser om stora jordbävningar förmodligen att ha tidsgränser för veckor, månader eller år. Sådana prognoser kunde förmodligen inte användas, säg, för att samordna en mass evakuering på tröskeln till en temblor., Men de kan öka den offentliga beredskapen, hjälpa offentliga tjänstemän att rikta sina ansträngningar för att eftermontera osäkra byggnader och på annat sätt mildra riskerna med katastrofala jordbävningar.
Johnson ser det som ett mål värt att sträva efter. Någonsin realisten, men han vet att det kommer att ta tid. ”Jag säger inte att vi kommer att förutsäga jordbävningar under min livstid”, sa han, ” men … vi kommer att göra en helvetes stor framsteg.”
den här artikeln omtrycks på Wired.com.