Las medidas de las vibraciones de la Tierra zigzaguearon y zaguearon a través de la pantalla de Mostafa Mousavi una mañana en Memphis, Tenn. Como parte de su Ph.D. estudios en geofísica, se sentó escaneando las señales de terremotos registradas la noche anterior, Verificando que algoritmos de décadas de antigüedad habían detectado verdaderos terremotos en lugar de temblores generados por cosas ordinarias como olas rompientes, pasando camiones o pisando fuerte a los fanáticos del fútbol.

"Hice todo este trabajo tedioso durante seis meses, mirando datos continuos, "Mousavi, ahora científico investigador en la Escuela de la Tierra de Stanford, Ciencias de la energía y el medio ambiente (Stanford Earth), recordado recientemente. "Ese fue el punto que pensé, 'Tiene que haber una manera mucho mejor de hacer estas cosas' ".

Esto fue en 2013. Los teléfonos inteligentes portátiles ya estaban cargados con algoritmos que podían descomponer el habla en ondas de sonido y generar las palabras más probables en esos patrones. Usando inteligencia artificial, incluso podrían aprender de grabaciones pasadas para ser más precisos con el tiempo.

Las ondas sísmicas y las ondas sonoras no son tan diferentes. Uno se mueve a través de rocas y fluidos, el otro a través del aire. Sin embargo, aunque el aprendizaje automático había transformado la forma en que las computadoras personales procesan e interactúan con la voz y el sonido, los algoritmos utilizados para detectar terremotos en corrientes de datos sísmicos apenas han cambiado desde la década de 1980.

Eso ha dejado muchos terremotos sin ser detectados.

Los grandes terremotos son difíciles de pasar por alto pero son raros. Mientras tanto, sismos imperceptiblemente pequeños ocurren todo el tiempo. Ocurriendo en las mismas fallas que terremotos más grandes, e involucrando la misma física y los mismos mecanismos, estos "micro terremotos" representan un alijo de información sin explotar sobre cómo evolucionan los terremotos, pero solo si los científicos pueden encontrarlos.

En un artículo reciente publicado en Comunicaciones de la naturaleza , Mousavi y sus coautores describen un nuevo método para usar la inteligencia artificial para enfocar millones de estos cambios sutiles de la Tierra. "Al mejorar nuestra capacidad para detectar y localizar estos terremotos muy pequeños, podemos obtener una visión más clara de cómo los terremotos interactúan o se extienden a lo largo de la falla, cómo empiezan, incluso cómo se detienen, "dijo el geofísico de Stanford Gregory Beroza, uno de los autores del artículo.

Centrándonos en lo que importa

Mousavi comenzó a trabajar en tecnología para automatizar la detección de terremotos poco después de su período de examen de sismogramas diarios en Memphis. pero sus modelos lucharon por desconectarse del ruido inherente a los datos sísmicos. Unos años despues, después de unirse al laboratorio de Beroza en Stanford en 2017, comenzó a pensar en cómo resolver este problema utilizando el aprendizaje automático.

El grupo ha producido una serie de detectores cada vez más potentes. Un modelo 2018 llamado PhaseNet, desarrollado por Beroza y el estudiante de posgrado Weiqiang Zhu, algoritmos adaptados del procesamiento de imágenes médicas para sobresalir en la selección de fase, lo que implica identificar el inicio preciso de dos tipos diferentes de ondas sísmicas. Otro modelo de aprendizaje automático, lanzado en 2019 y denominado CRED, se inspiró en los algoritmos de activación por voz en los sistemas de asistentes virtuales y demostró ser eficaz en la detección. Ambos modelos aprendieron los patrones fundamentales de las secuencias de terremotos a partir de un conjunto relativamente pequeño de sismogramas registrados solo en el norte de California.

En el Comunicaciones de la naturaleza papel, los autores informan que han desarrollado un nuevo modelo para detectar terremotos muy pequeños con señales débiles que los métodos actuales suelen pasar por alto, y para seleccionar el momento preciso de las fases sísmicas utilizando datos de terremotos de todo el mundo. Lo llaman Earthquake Transformer.

Según Mousavi, el modelo se basa en PhaseNet y CRED, e "incorpora los conocimientos que obtuve desde el momento en que estaba haciendo todo esto manualmente". Específicamente, Earthquake Transformer imita la forma en que los analistas humanos ven el conjunto de meneos en su conjunto y luego se concentran en una pequeña sección de interés.

La gente hace esto de forma intuitiva en la vida diaria, sin prestar atención a los detalles menos importantes para centrarse más intensamente en lo que importa. Los informáticos lo denominan "mecanismo de atención" y lo utilizan con frecuencia para mejorar las traducciones de texto. Pero es nuevo en el campo de la detección automática de terremotos, Dijo Mousavi. "Imagino que esta nueva generación de detectores y selectores de fase será la norma para el monitoreo de terremotos dentro de los próximos dos años, " él dijo.

La tecnología podría permitir a los analistas concentrarse en extraer información de un catálogo más completo de terremotos, liberando su tiempo para pensar más en lo que significa el patrón de terremotos, dijo Beroza, el Profesor Wayne Loel de Ciencias de la Tierra en Stanford Earth.

Fallas ocultas

Comprender los patrones en la acumulación de pequeños temblores durante décadas o siglos podría ser clave para minimizar las sorpresas y los daños cuando ocurre un terremoto más grande.

El terremoto de Loma Prieta de 1989 se ubica como uno de los desastres sísmicos más destructivos en la historia de los EE. UU. y como uno de los más grandes en el norte de California en el siglo pasado. Es una distinción que habla menos de un poder extraordinario en el caso de Loma Prieta que de brechas en la preparación para terremotos. mapas de peligros y códigos de construcción, y hasta la extrema rareza de los grandes terremotos.

Solo alrededor de uno de cada cinco de los aproximadamente 500, 000 terremotos detectados a nivel mundial por sensores sísmicos cada año producen temblores lo suficientemente fuertes como para que la gente los note. En un año típico, quizás 100 terremotos causarán daños.

A finales de la década de 1980, las computadoras ya estaban en funcionamiento analizando datos sísmicos registrados digitalmente, y determinaron la ocurrencia y ubicación de terremotos como Loma Prieta en minutos. Limitaciones tanto en las computadoras como en los datos de forma de onda, sin embargo, dejaron muchos terremotos pequeños sin ser detectados y muchos terremotos más grandes solo se midieron parcialmente.

Después de la dura lección de Loma Prieta, muchas comunidades de California han llegado a depender de mapas que muestran las zonas de fallas y las áreas donde es probable que los terremotos causen el mayor daño. Desarrollar el registro de terremotos pasados ​​con Earthquake Transformer y otras herramientas podría hacer que esos mapas sean más precisos y ayudar a revelar fallas que de otro modo podrían salir a la luz solo a raíz de la destrucción de un terremoto más grande. como sucedió con Loma Prieta en 1989, y con el terremoto de Northridge de magnitud 6,7 en Los Ángeles cinco años después.

"Cuanta más información podamos obtener de las profundidades, estructura de falla tridimensional a través de un mejor monitoreo de pequeños terremotos, cuanto mejor podamos anticipar los terremotos que acechan en el futuro, "Dijo Beroza.

Transformador de terremoto

Para determinar la ubicación y la magnitud de un terremoto, Tanto los algoritmos existentes como los expertos humanos buscan el tiempo de llegada de dos tipos de ondas. El primer conjunto, conocidas como ondas primarias o P, avanzar rápidamente — empujar, tirando y comprimiendo el suelo como un Slinky mientras se mueven a través de él. Luego vienen ondas cortantes o S, que viajan más lentamente pero pueden ser más destructivas a medida que mueven la Tierra de lado a lado o de arriba a abajo.

Para probar el Transformador Terremoto, el equipo quería ver cómo funcionaba con terremotos no incluidos en los datos de entrenamiento que se utilizan para enseñar a los algoritmos cómo se ven un verdadero terremoto y sus fases sísmicas. Los datos de entrenamiento incluyeron un millón de sismogramas marcados a mano registrados principalmente durante las últimas dos décadas donde ocurren terremotos a nivel mundial. excluyendo Japón. Para la prueba, seleccionaron cinco semanas de datos continuos registrados en la región de Japón sacudida hace 20 años por el terremoto de magnitud 6.6 de Tottori y sus réplicas.

El modelo detectado y localizado 21, 092 eventos:más de dos veces y media la cantidad de terremotos detectados a mano, utilizando datos de solo 18 de las 57 estaciones que los científicos japoneses utilizaron originalmente para estudiar la secuencia. Earthquake Transformer demostró ser particularmente efectivo para los pequeños terremotos que son más difíciles de detectar para los humanos y que se registran en números abrumadores a medida que se multiplican los sensores sísmicos.

"Previamente, la gente había diseñado algoritmos para decir, encuentra la onda P. Ese es un problema relativamente simple, "explicó el coautor William Ellsworth, profesor de investigación en geofísica en Stanford. Identificar el inicio de la onda S es más difícil, él dijo, porque emerge de los últimos jadeos erráticos de las ondas P que se mueven rápidamente. Otros algoritmos han podido producir catálogos de terremotos extremadamente detallados, incluyendo un gran número de pequeños terremotos ignorados por los analistas, pero sus algoritmos de coincidencia de patrones funcionan solo en la región que proporciona los datos de entrenamiento.

Con Earthquake Transformer ejecutándose en una computadora simple, El análisis que normalmente requeriría meses de trabajo experto se completó en 20 minutos. Esa velocidad es posible gracias a algoritmos que buscan la existencia de un terremoto y la sincronización de las fases sísmicas en tándem, utilizando la información obtenida de cada búsqueda para delimitar la solución para los demás.

"Earthquake Transformer recibe muchos más terremotos que otros métodos, ya sea gente sentada y tratando de analizar cosas mirando las formas de onda, o métodos informáticos más antiguos, ", Dijo Ellsworth." Estamos obteniendo una mirada mucho más profunda al proceso del terremoto, y lo estamos haciendo de manera más eficiente y precisa ".

Los investigadores entrenaron y probaron Earthquake Transformer con datos históricos, pero la tecnología está lista para señalar pequeños terremotos casi tan pronto como ocurren. Según Beroza, "El monitoreo de terremotos mediante aprendizaje automático casi en tiempo real llegará muy pronto".