Una mattina a Memphis, le misurazioni delle vibrazioni della Terra si muovevano a zig zag sullo schermo di Mostafa Mousavi, Tenn. Come parte del suo dottorato di ricerca. studi di geofisica, si è seduto a scrutare i segnali del terremoto registrati la notte prima, verificando che algoritmi vecchi di decenni avessero rilevato veri terremoti piuttosto che tremori generati da cose ordinarie come onde che si infrangono, passando camion o calpestando tifosi di calcio.

"Ho fatto tutto questo lavoro noioso per sei mesi, guardando i dati continui, "Mousavi, ora ricercatore presso la School of Earth di Stanford, Scienze energetiche e ambientali (Stanford Earth), ricordato di recente. "Questo era il punto che pensavo, 'Ci deve essere un modo molto migliore per fare queste cose.'"

Era il 2013. Gli smartphone portatili erano già dotati di algoritmi in grado di scomporre il parlato in onde sonore e trovare le parole più probabili in quegli schemi. Utilizzando l'intelligenza artificiale, potrebbero persino imparare dalle registrazioni passate per diventare più precisi nel tempo.

Le onde sismiche e le onde sonore non sono così diverse. Ci si muove attraverso la roccia e il fluido, l'altro attraverso l'aria. Eppure, mentre l'apprendimento automatico ha trasformato il modo in cui i personal computer elaborano e interagiscono con voce e suono, gli algoritmi utilizzati per rilevare i terremoti nei flussi di dati sismici non sono cambiati dagli anni '80.

Questo ha lasciato molti terremoti non rilevati.

I grandi terremoti sono difficili da perdere, ma sono rari. Nel frattempo, impercettibilmente piccoli terremoti si verificano continuamente. Avendo luogo sulle stesse faglie dei terremoti più grandi, e coinvolgendo la stessa fisica e gli stessi meccanismi, questi "microterremoti" rappresentano un deposito di informazioni non sfruttate su come si evolvono i terremoti, ma solo se gli scienziati riescono a trovarli.

In un recente articolo pubblicato su Comunicazioni sulla natura , Mousavi e co-autori descrivono un nuovo metodo per utilizzare l'intelligenza artificiale per mettere a fuoco milioni di questi sottili cambiamenti della Terra. "Migliorando la nostra capacità di rilevare e localizzare questi piccolissimi terremoti, possiamo avere una visione più chiara di come i terremoti interagiscono o si diffondono lungo la faglia, come iniziano, anche come si fermano, " disse il geofisico di Stanford Gregory Beroza, uno degli autori dell'articolo.

Concentrarsi su ciò che conta

Mousavi ha iniziato a lavorare sulla tecnologia per automatizzare il rilevamento dei terremoti subito dopo il suo periodo di esame dei sismogrammi giornalieri a Memphis, ma i suoi modelli hanno faticato a escludere il rumore inerente ai dati sismici. Pochi anni dopo, dopo essere entrato nel laboratorio di Beroza a Stanford nel 2017, ha iniziato a pensare a come risolvere questo problema utilizzando l'apprendimento automatico.

Il gruppo ha prodotto una serie di rivelatori sempre più potenti. Un modello del 2018 chiamato PhaseNet, sviluppato da Beroza e dallo studente laureato Weiqiang Zhu, algoritmi adattati dall'elaborazione di immagini mediche per eccellere nella selezione delle fasi, che comporta l'identificazione dell'inizio preciso di due diversi tipi di onde sismiche. Un altro modello di apprendimento automatico, uscito nel 2019 e soprannominato CRED, è stato ispirato dagli algoritmi di attivazione vocale nei sistemi di assistente virtuale e si è dimostrato efficace nel rilevamento. Entrambi i modelli hanno appreso i modelli fondamentali delle sequenze dei terremoti da una serie relativamente piccola di sismogrammi registrati solo nella California settentrionale.

Nel Comunicazioni sulla natura carta, gli autori riferiscono di aver sviluppato un nuovo modello per rilevare terremoti molto piccoli con segnali deboli che i metodi attuali di solito trascurano, e per individuare i tempi precisi delle fasi sismiche utilizzando i dati sui terremoti di tutto il mondo. Lo chiamano trasformatore terremoto.

Secondo Mousavi, il modello si basa su PhaseNet e CRED, e "incorpora quelle intuizioni che ho ottenuto dal momento in cui stavo facendo tutto questo manualmente". Nello specifico, Earthquake Transformer imita il modo in cui gli analisti umani guardano l'insieme di oscillazioni nel suo insieme e poi si concentrano su una piccola sezione di interesse.

Le persone lo fanno intuitivamente nella vita quotidiana, mettendo a punto i dettagli meno importanti per concentrarsi più intensamente su ciò che conta. Gli informatici lo chiamano "meccanismo di attenzione" e lo usano spesso per migliorare le traduzioni di testo. Ma è una novità nel campo del rilevamento automatico dei terremoti, disse Mousavi. "Immagino che questa nuova generazione di rilevatori e selezionatori di fase sarà la norma per il monitoraggio dei terremoti entro il prossimo anno o due, " Egli ha detto.

La tecnologia potrebbe consentire agli analisti di concentrarsi sull'estrazione di informazioni da un catalogo più completo di terremoti, liberare il loro tempo per pensare di più a cosa significa lo schema dei terremoti, disse Beroza, il Wayne Loel Professore di Scienze della Terra alla Stanford Earth.

Difetti nascosti

Comprendere i modelli nell'accumulo di piccoli tremori nel corso di decenni o secoli potrebbe essere la chiave per ridurre al minimo le sorprese e i danni quando si verifica un terremoto più grande.

Il terremoto di Loma Prieta del 1989 è considerato uno dei disastri sismici più distruttivi nella storia degli Stati Uniti, e come uno dei più grandi ad aver colpito la California settentrionale nel secolo scorso. È una distinzione che parla meno di un potere straordinario nel caso di Loma Prieta che di lacune nella preparazione al terremoto, mappatura dei pericoli e norme edilizie e fino all'estrema rarità dei grandi terremoti.

Solo circa uno su cinque dei circa 500, 000 terremoti rilevati a livello globale dai sensori sismici ogni anno producono scosse abbastanza forti da essere notate dalle persone. In un anno tipico, forse 100 terremoti causeranno danni.

Alla fine degli anni '80, i computer erano già al lavoro per analizzare i dati sismici registrati digitalmente, e hanno determinato il verificarsi e l'ubicazione di terremoti come Loma Prieta in pochi minuti. Limitazioni sia nei computer che nei dati della forma d'onda, però, ha lasciato molti piccoli terremoti non rilevati e molti terremoti più grandi solo parzialmente misurati.

Dopo la dura lezione di Loma Prieta, molte comunità californiane si affidano a mappe che mostrano le zone di faglia e le aree in cui è probabile che i terremoti provochino i maggiori danni. Rielaborare la registrazione dei terremoti passati con Earthquake Transformer e altri strumenti potrebbe rendere quelle mappe più accurate e aiutare a rivelare faglie che altrimenti potrebbero venire alla luce solo in seguito alla distruzione di un terremoto più grande, come accadde con Loma Prieta nel 1989, e con il terremoto di Northridge di magnitudo 6.7 a Los Angeles cinque anni dopo.

"Più informazioni possiamo ottenere in profondità, struttura di faglia tridimensionale attraverso un migliore monitoraggio di piccoli terremoti, meglio possiamo anticipare i terremoti che si nascondono in futuro, " ha detto Berosa.

Trasformatore sismico

Per determinare la posizione e la magnitudo di un terremoto, algoritmi esistenti ed esperti umani cercano allo stesso modo il tempo di arrivo di due tipi di onde. Il primo insieme, note come onde primarie o P, avanzare velocemente—spingendo, tirando e comprimendo il terreno come uno Slinky mentre si muovono attraverso di esso. Poi vengono le onde di taglio o S, che viaggiano più lentamente ma possono essere più distruttivi quando spostano la Terra da un lato all'altro o su e giù.

Per testare il trasformatore sismico, il team voleva vedere come funzionava con i terremoti non inclusi nei dati di addestramento utilizzati per insegnare agli algoritmi l'aspetto di un vero terremoto e delle sue fasi sismiche. I dati di formazione includevano un milione di sismogrammi etichettati a mano registrati per lo più negli ultimi due decenni in cui i terremoti si verificano a livello globale, escluso il Giappone. Per il test, hanno selezionato cinque settimane di dati continui registrati nella regione del Giappone scossa 20 anni fa dal terremoto di Tottori di magnitudo 6,6 e dalle sue scosse di assestamento.

Il modello ha rilevato e localizzato 21, 092 eventi:più di due volte e mezzo il numero di terremoti individuati a mano, utilizzando i dati di solo 18 delle 57 stazioni utilizzate originariamente dagli scienziati giapponesi per studiare la sequenza. Earthquake Transformer si è dimostrato particolarmente efficace per i piccoli terremoti che sono più difficili da individuare per gli esseri umani e che vengono registrati in numero schiacciante man mano che i sensori sismici si moltiplicano.

"In precedenza, le persone avevano progettato algoritmi per dire, trova l'onda P Questo è un problema relativamente semplice, " ha spiegato il co-autore William Ellsworth, un professore di ricerca in geofisica a Stanford. Individuare l'inizio dell'onda S è più difficile, Egli ha detto, perché emerge dagli ultimi sussulti irregolari delle onde P in rapido movimento. Altri algoritmi sono stati in grado di produrre cataloghi di terremoti estremamente dettagliati, compreso un numero enorme di piccoli terremoti persi dagli analisti, ma i loro algoritmi di corrispondenza dei modelli funzionano solo nella regione che fornisce i dati di addestramento.

Con Earthquake Transformer in esecuzione su un semplice computer, un'analisi che normalmente richiederebbe mesi di lavoro esperto è stata completata in 20 minuti. Tale velocità è resa possibile da algoritmi che ricercano l'esistenza di un terremoto e la tempistica delle fasi sismiche in tandem, utilizzando le informazioni raccolte da ciascuna ricerca per restringere la soluzione per le altre.

"Earthquake Transformer riceve molti più terremoti rispetto ad altri metodi, che si tratti di persone sedute che cercano di analizzare le cose guardando le forme d'onda, o metodi informatici più vecchi, " Ha detto Ellsworth. "Stiamo ottenendo uno sguardo molto più approfondito al processo del terremoto, e lo stiamo facendo in modo più efficiente e preciso."

I ricercatori hanno addestrato e testato Earthquake Transformer su dati storici, ma la tecnologia è pronta a segnalare piccoli terremoti non appena si verificano. Secondo Beroza, "Il monitoraggio dei terremoti che utilizza l'apprendimento automatico quasi in tempo reale arriverà molto presto".