Nelle settimane e nei mesi successivi a un forte terremoto, l'area circostante è spesso devastata da potenti scosse di assestamento che possono far vacillare una comunità già danneggiata e ostacolare notevolmente gli sforzi di recupero.

Mentre gli scienziati hanno sviluppato leggi empiriche, come la legge di Bäth e la legge di Ohmori, per descrivere la probabile entità e la tempistica di tali scosse di assestamento, i metodi per prevedere la loro posizione sono stati più difficili da comprendere.

Ma stimolato da un suggerimento dei ricercatori di Google, Brendan Meade, un Professore di Scienze della Terra e Planetarie, e Phoebe DeVries, un borsista post-dottorato che lavora nel suo laboratorio, stanno utilizzando la tecnologia dell'intelligenza artificiale per cercare di risolvere il problema.

Utilizzando algoritmi di deep learning, la coppia ha analizzato un database di terremoti da tutto il mondo per cercare di prevedere dove potrebbero verificarsi scosse di assestamento, e sviluppato un sistema che, pur essendo ancora impreciso, è stato in grado di prevedere le scosse di assestamento in modo significativamente migliore rispetto all'assegnazione casuale. Il lavoro è descritto in un articolo del 30 agosto pubblicato su Natura .

"Ci sono tre cose che vuoi sapere sui terremoti:vuoi sapere quando si verificheranno, quanto saranno grandi e dove saranno, " Ha detto Meade. "Prima di questo lavoro avevamo leggi empiriche per quando si sarebbero verificate e quanto sarebbero state grandi, e ora stiamo lavorando alla terza tappa, dove potrebbero verificarsi".

"Sono molto eccitato per il potenziale dell'apprendimento automatico in futuro con questo tipo di problemi:è un problema molto importante da perseguire, DeVries ha detto. "La previsione delle scosse di assestamento in particolare è una sfida che si adatta bene all'apprendimento automatico perché ci sono così tanti fenomeni fisici che potrebbero influenzare il comportamento delle scosse di assestamento e l'apprendimento automatico è estremamente bravo a prendere in giro queste relazioni. Penso che abbiamo appena scalfito la superficie di cosa si potrebbe fare con la previsione delle scosse di assestamento... ed è davvero eccitante".

L'idea di utilizzare reti neurali intelligenti artificiali per cercare di prevedere le scosse di assestamento è emersa per la prima volta diversi anni fa, durante il primo dei due anni sabbatici di Meade presso Google a Cambridge.

Mentre lavorava su un problema correlato con un team di ricercatori, Meade ha detto, un collega ha suggerito che gli allora emergenti algoritmi di "apprendimento profondo" potrebbero rendere il problema più trattabile. Meade avrebbe poi collaborato con DeVries, che aveva utilizzato le reti neurali per trasformare il codice di calcolo ad alte prestazioni in algoritmi che potevano essere eseguiti su un laptop per concentrarsi sulle scosse di assestamento.

"L'obiettivo è completare il quadro e speriamo di aver contribuito a questo, " disse Meade.

Per farlo, Meade e DeVries hanno iniziato accedendo a un database di osservazioni effettuate in seguito a più di 199 grandi terremoti.

"Dopo terremoti di magnitudo 5 o superiore, le persone trascorrono molto tempo a mappare quale parte della faglia è scivolata e quanto si è mossa, " Ha detto Meade. "Molti studi potrebbero utilizzare le osservazioni di uno o due terremoti, ma abbiamo usato l'intero database... e l'abbiamo combinato con un modello basato sulla fisica di come la Terra sarà stressata e tesa dopo il terremoto, con l'idea che le sollecitazioni e le sollecitazioni causate dallo shock principale possano essere ciò che scatena le scosse di assestamento".

Armato di queste informazioni, quindi separano un'area trovata in griglie quadrate di 5 chilometri. In ogni griglia, il sistema controlla se c'è stata una scossa di assestamento, e chiede alla rete neurale di cercare correlazioni tra i luoghi in cui si sono verificate le scosse di assestamento e le sollecitazioni generate dal terremoto principale.

"La domanda è quale combinazione di fattori potrebbe essere predittiva, " Ha detto Meade. "Ci sono molte teorie, ma una cosa che fa questo articolo è chiaramente capovolgere la teoria più dominante:mostra che ha un potere predittivo trascurabile, e invece ne viene fuori uno che ha un potere predittivo significativamente migliore."

Cosa indicava il sistema, Meade ha detto, è una quantità nota come secondo invariante del tensore di sollecitazione deviatorico, meglio conosciuto semplicemente come J2.

"Questa è una quantità che si verifica nella metallurgia e in altre teorie, ma non è mai stato popolare nella scienza dei terremoti, " Ha detto Meade. "Ma ciò significa che la rete neurale non ha inventato qualcosa di folle, è venuto fuori qualcosa che era altamente interpretabile. È stato in grado di identificare quale fisica dovremmo guardare, che è piuttosto fresco."

Quell'interpretabilità, DeVries ha detto, è fondamentale perché i sistemi di intelligenza artificiale sono stati a lungo visti da molti scienziati come scatole nere, in grado di produrre una risposta basata su alcuni dati.

"Questo è stato uno dei passaggi più importanti del nostro processo, " ha detto. "Quando abbiamo addestrato per la prima volta la rete neurale, abbiamo notato che ha funzionato abbastanza bene nel prevedere le posizioni delle scosse di assestamento, ma abbiamo pensato che sarebbe stato importante se potessimo interpretare quali fattori stava trovando importanti o utili per quella previsione".

Affrontare una tale sfida con dati del mondo reale altamente complessi, però, sarebbe un compito arduo, quindi la coppia ha invece chiesto al sistema di creare previsioni per il sintetico, terremoti altamente idealizzati e quindi esaminando le previsioni.

"Abbiamo esaminato l'output della rete neurale e poi abbiamo esaminato cosa ci aspetteremmo se quantità diverse controllassero la previsione delle scosse di assestamento, " ha detto. "Paragonandoli spazialmente, siamo stati in grado di dimostrare che J2 sembra essere importante nelle previsioni".

E poiché la rete è stata addestrata utilizzando terremoti e scosse di assestamento da tutto il mondo, Meade ha detto, il sistema risultante ha funzionato per molti tipi diversi di guasti.

"I difetti in diverse parti del mondo hanno una geometria diversa, " ha detto Meade. "In California, la maggior parte sono difetti di scorrimento, ma in altri luoghi, come il Giappone, hanno zone di subduzione molto superficiali. Ma la cosa bella di questo sistema è che puoi allenarlo su uno, e predice dall'altro, quindi è davvero generalizzabile."

"Siamo ancora molto lontani dall'essere effettivamente in grado di prevederli, " ha detto. "Siamo molto lontani dal farlo in qualsiasi senso in tempo reale, ma penso che l'apprendimento automatico abbia un enorme potenziale qui."

Andando avanti, Meade ha detto, sta lavorando agli sforzi per prevedere la magnitudo dei terremoti stessi utilizzando la tecnologia dell'intelligenza artificiale con l'obiettivo di aiutare un giorno a prevenire gli impatti devastanti dei disastri.

"I sismologi ortodossi sono in gran parte patologi, " Ha detto Meade. "Studiano cosa succede dopo l'evento catastrofico. Non voglio farlo, voglio essere un epidemiologo. Voglio capire i trigger, cause e trasferimenti che portano a questi eventi".

In definitiva, Meade ha detto, lo studio serve a evidenziare il potenziale degli algoritmi di deep learning per rispondere a domande che, fino a poco tempo fa, gli scienziati sapevano a malapena come porre.

"Penso che ci sia una rivoluzione silenziosa nel pensare alla previsione dei terremoti, " ha detto. "Non è un'idea che è totalmente là fuori più. E mentre questo risultato è interessante, Penso che questo faccia parte di una rivoluzione in generale sulla ricostruzione di tutta la scienza nell'era dell'intelligenza artificiale.

"I problemi che sono spaventosamente difficili sono estremamente accessibili in questi giorni, " ha continuato. "Questo non è solo dovuto alla potenza di calcolo:la comunità scientifica ne trarrà enormi benefici perché... l'intelligenza artificiale sembra estremamente scoraggiante, ma in realtà non lo è. È un tipo di elaborazione straordinariamente democratizzante, e penso che molte persone stiano iniziando a capirlo".