En las semanas y meses posteriores a un gran terremoto, el área circundante a menudo se ve sacudida por poderosas réplicas que pueden dejar a una comunidad ya dañada tambaleándose y obstaculizar significativamente los esfuerzos de recuperación.

Si bien los científicos han desarrollado leyes empíricas, como la ley de Bäth y la ley de Ohmori, para describir el tamaño y el momento probables de esas réplicas, Los métodos para pronosticar su ubicación han sido más difíciles de comprender.

Pero provocado por una sugerencia de los investigadores de Google, Brendan Meade, profesor de Ciencias de la Tierra y Planetarias, y Phoebe DeVries, un becario postdoctoral que trabaja en su laboratorio, están utilizando tecnología de inteligencia artificial para tratar de manejar el problema.

Usando algoritmos de aprendizaje profundo, la pareja analizó una base de datos de terremotos de todo el mundo para tratar de predecir dónde podrían ocurrir réplicas, y desarrolló un sistema que, aunque todavía impreciso, fue capaz de pronosticar réplicas significativamente mejor que la asignación aleatoria. El trabajo se describe en un artículo del 30 de agosto publicado en Naturaleza .

"Hay tres cosas que desea saber sobre los terremotos:desea saber cuándo van a ocurrir, qué tan grandes serán y dónde estarán, ", Dijo Meade." Antes de este trabajo, teníamos leyes empíricas sobre cuándo ocurrirían y qué tan grandes serían, y ahora estamos trabajando el tercer tramo donde podrían ocurrir ".

"Estoy muy emocionado por el potencial del aprendizaje automático en el futuro con este tipo de problemas; es un problema muy importante a seguir, ", Dijo DeVries." El pronóstico de réplicas en particular es un desafío que se adapta bien al aprendizaje automático porque hay muchos fenómenos físicos que podrían influir en el comportamiento de las réplicas y el aprendizaje automático es extremadamente bueno para desentrañar esas relaciones. Creo que realmente hemos arañado la superficie de lo que se podría hacer con el pronóstico de réplicas ... y eso es realmente emocionante ".

La noción de utilizar redes neuronales inteligentes artificiales para tratar de predecir réplicas surgió hace varios años. durante el primero de los dos sabáticos de Meade en Google en Cambridge.

Mientras trabajaba en un problema relacionado con un equipo de investigadores, Meade dijo:un colega sugirió que los algoritmos de "aprendizaje profundo" emergentes en ese momento podrían hacer que el problema sea más manejable. Meade más tarde se asociaría con DeVries, que había estado utilizando redes neuronales para transformar código informático de alto rendimiento en algoritmos que pudieran ejecutarse en una computadora portátil para centrarse en las réplicas.

"El objetivo es completar la imagen y esperamos haber contribuido a eso, "Dijo Meade.

Para hacerlo, Meade y DeVries comenzaron accediendo a una base de datos de observaciones realizadas después de más de 199 grandes terremotos.

"Después de terremotos de magnitud 5 o mayores, la gente pasa mucho tiempo mapeando qué parte de la falla se deslizó y cuánto se movió, "Dijo Meade." Muchos estudios pueden utilizar observaciones de uno o dos terremotos, pero usamos toda la base de datos ... y la combinamos con un modelo basado en la física de cómo la Tierra se estresará y tensará después del terremoto, con la idea de que el estrés y las tensiones causadas por el choque principal pueden ser lo que desencadena las réplicas ".

Armado con esa información, luego separan un área encontrada en cuadrículas de 5 kilómetros cuadrados. En cada cuadrícula, el sistema comprueba si hubo una réplica, y pide a la red neuronal que busque correlaciones entre los lugares donde ocurrieron las réplicas y las tensiones generadas por el terremoto principal.

"La pregunta es qué combinación de factores podría ser predictiva, "Dijo Meade." Hay muchas teorías, pero una cosa que hace este artículo es claramente cambiar la teoría más dominante:muestra que tiene un poder predictivo insignificante, y en su lugar presenta uno que tiene un poder predictivo significativamente mejor ".

Lo que apuntaba el sistema, Meade dijo:es una cantidad conocida como el segundo invariante del tensor de tensión desviador, mejor conocido simplemente como J2.

"Esta es una cantidad que ocurre en la metalurgia y otras teorías, pero nunca ha sido popular en la ciencia de los terremotos, ", Dijo Meade." Pero lo que eso significa es que la red neuronal no dio con algo loco, se le ocurrió algo que era muy interpretable. Fue capaz de identificar qué física deberíamos estar mirando, lo cual es muy bueno ".

Esa interpretabilidad, DeVries dijo:es fundamental porque los sistemas de inteligencia artificial han sido vistos durante mucho tiempo por muchos científicos como cajas negras, capaces de producir una respuesta basada en algunos datos.

"Este fue uno de los pasos más importantes de nuestro proceso, ", dijo." Cuando entrenamos por primera vez la red neuronal, notamos que lo hizo bastante bien al predecir la ubicación de las réplicas, pero pensamos que sería importante si podíamos interpretar qué factores estaba encontrando que eran importantes o útiles para ese pronóstico ".

Asumir un desafío de este tipo con datos del mundo real altamente complejos, sin embargo, sería una tarea abrumadora, por lo que, en cambio, la pareja pidió al sistema que creara pronósticos para sintéticos, terremotos altamente idealizados y luego examinar las predicciones.

"Observamos la salida de la red neuronal y luego observamos lo que esperaríamos si diferentes cantidades controlaran el pronóstico de réplicas, ", dijo." Al compararlos espacialmente, pudimos demostrar que J2 parece ser importante en el pronóstico ".

Y debido a que la red se entrenó utilizando terremotos y réplicas de todo el mundo, Meade dijo:el sistema resultante funcionó para muchos tipos diferentes de fallas.

"Las fallas en diferentes partes del mundo tienen una geometría diferente, ", Dijo Meade." En California, la mayoría son fallas de deslizamiento, pero en otros lugares, como Japón, tienen zonas de subducción muy poco profundas. Pero lo bueno de este sistema es que puedes entrenarlo en uno, y predecirá por el otro, por lo que es realmente generalizable ".

"Todavía estamos muy lejos de poder pronosticarlos, ", dijo." Estamos muy lejos de hacerlo en cualquier sentido en tiempo real, pero creo que el aprendizaje automático tiene un gran potencial aquí ".

Avanzando, Meade dijo:Él está trabajando en esfuerzos para predecir la magnitud de los terremotos por sí mismos utilizando tecnología de inteligencia artificial con el objetivo de algún día ayudar a prevenir los devastadores impactos de los desastres.

"Los sismólogos ortodoxos son en gran parte patólogos, ", Dijo Meade." Ellos estudian lo que sucede después del evento catastrófico. No quiero hacer eso, quiero ser epidemiólogo. Quiero entender los desencadenantes causas y transferencias que conducen a estos eventos ".

Por último, Meade dijo:el estudio sirve para resaltar el potencial de los algoritmos de aprendizaje profundo para responder preguntas que, hasta hace poco, los científicos apenas sabían cómo formular.

"Creo que hay una revolución silenciosa en pensar en la predicción de terremotos, ", dijo." Ya no es una idea que esté totalmente ahí fuera. Y aunque este resultado es interesante, Creo que esto es parte de una revolución en general sobre la reconstrucción de toda la ciencia en la era de la inteligencia artificial.

"Los problemas que son tremendamente difíciles son extremadamente accesibles en estos días, ", continuó." Eso no se debe solo a la potencia de la computación; la comunidad científica se beneficiará enormemente de esto porque ... la IA suena extremadamente desalentadora, pero en realidad no lo es. Es un tipo de informática extraordinariamente democratizadora, y creo que mucha gente está empezando a entender eso ".