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 probable y el momento de esas réplicas, los métodos para pronosticar su ubicación han sido más difíciles de comprender.
Pero provocado por una sugerencia de 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 controlar elproblema.
Utilizando algoritmos de aprendizaje profundo, la pareja analizó una base de datos de terremotos de todo el mundo para tratar de predecir dónde podrían ocurrir las réplicas y desarrolló un sistema que, aunque todavía impreciso, fue capaz de pronosticar réplicas significativamente mejores que la asignación aleatoria. El trabajose describe en un artículo del 30 de agosto publicado en Naturaleza .
"Hay tres cosas que quieres saber sobre los terremotos: quieres saber cuándo van a ocurrir, qué tan grandes serán y dónde van a estar", dijo Meade. "Antes deeste trabajo teníamos leyes empíricas sobre cuándo ocurrirían y qué tan grandes iban a ser, y ahora estamos trabajando en la tercera etapa, donde podrían ocurrir ".
"Estoy muy emocionado por el potencial que tiene el aprendizaje automático para avanzar con este tipo de problemas; es un problema muy importante", dijo DeVries. "La predicción de réplica en particular es un desafío adecuado para la máquinaaprender porque hay tantos fenómenos físicos que podrían influir en el comportamiento de las réplicas y el aprendizaje automático es extremadamente bueno para descifrar esas relaciones. Creo que realmente hemos arañado la superficie de lo que podría hacerse con el pronóstico de réplicas ... y eso es realmente emocionante"
La noción de usar redes neuronales inteligentes artificiales para tratar de predecir réplicas surgió por primera vez hace varios años, durante el primero de los dos años sabáticos de Meade en Google en Cambridge.
Mientras trabajaba en un problema relacionado con un equipo de investigadores, dijo Meade, un colega sugirió que los algoritmos emergentes de "aprendizaje profundo" podrían hacer que el problema sea más manejable. Meade luego se asociaría con DeVries, que había estado usando neuronalredes para transformar el código informático de alto rendimiento en algoritmos que podrían 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 terremotos importantes.
"Después de terremotos de magnitud 5 o mayor, las personas pasan mucho tiempo mapeando qué parte de la falla se deslizó y cuánto se movió", dijo Meade. "Muchos estudios podrían usar observaciones de uno o dos terremotos, pero usamostoda la base de datos ... y la combinamos con un modelo basado en la física de cómo se estresará y tensará la Tierra después del terremoto, con la idea de que las tensiones y tensiones causadas por el choque principal pueden ser las causas de las réplicas."
Armados con esa información, luego separan un área que se encuentra en cuadrículas de 5 kilómetros cuadrados. En cada cuadrícula, el sistema verifica si hubo una réplica, y le pide a la red neuronal que busque correlaciones entre los lugares donde ocurrieron las réplicas yLas 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 trabajo es claramente cambiar la teoría más dominante: muestra que tiene un poder predictivo insignificante, y en cambioviene con uno que tiene un poder predictivo significativamente mejor ".
Lo que señaló el sistema, dijo Meade, es una cantidad conocida como la segunda invariante del tensor de estrés 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 terremotos", dijo Meade. "Pero lo que eso significa es que la red neuronal no surgió con algo loco, surgióalgo que era altamente interpretable. Fue capaz de identificar qué física deberíamos estar mirando, lo cual es bastante bueno ".
Esa interpretación, dijo DeVries, es crítica porque los sistemas de inteligencia artificial han sido vistos por muchos científicos como cajas negras, capaces de producir una respuesta basada en algunos datos.
"Este fue uno de los pasos más importantes en nuestro proceso", dijo. "Cuando formamos por primera vez la red neuronal, notamos que funcionaba bastante bien para predecir la ubicación de las réplicas, pero pensamos que sería importante sipodría interpretar qué factores fue importante o útil para ese pronóstico "
Sin embargo, asumir tal desafío con datos del mundo real altamente complejos sería una tarea desalentadora, por lo que la pareja le pidió al sistema que creara pronósticos para terremotos sintéticos altamente idealizados y luego examinara las predicciones.
"Observamos la salida de la red neuronal y luego observamos qué esperaríamos si diferentes cantidades controlaran el pronóstico de réplica", dijo. "Al compararlos espacialmente, pudimos demostrar que J2 parece ser importante enprevisión "
Meade dijo que debido a que la red fue entrenada con terremotos y réplicas de todo el mundo, el sistema resultante funcionó para muchos tipos diferentes de fallas.
"Las fallas en diferentes partes del mundo tienen 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 que es genial de este sistema espuedes entrenarlo en uno y predecirá en el otro, por lo que es realmente generalizable "
"Todavía estamos muy lejos de ser capaces de pronosticarlos", dijo. "Estamos muy lejos de hacerlo en tiempo real, pero creo que el aprendizaje automático tiene un enorme potencial aquí."
En el futuro, dijo Meade, está trabajando en los esfuerzos para predecir la magnitud de los terremotos utilizando tecnología de inteligencia artificial con el objetivo de algún día ayudar a prevenir los efectos devastadores de los desastres.
"Los sismólogos ortodoxos son en gran parte patólogos", dijo Meade. "Estudian lo que sucede después del evento catastrófico. No quiero hacer eso, quiero ser epidemiólogo. Quiero entender los factores desencadenantes, las causas y las transferenciasque conducen a estos eventos "
En última instancia, dijo Meade, 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 al pensar en la predicción de terremotos", dijo. "Ya no es una idea totalmente disponible. Y aunque este resultado es interesante, creo que esto es parte de una revolución en general sobre la reconstrucción de todosde la ciencia en la era de la inteligencia artificial.
"Los problemas que son terriblemente difíciles son extremadamente accesibles en estos días", continuó. "Eso no se debe solo al poder de la computación: la comunidad científica se beneficiará enormemente de esto porque ... la IA suena extremadamente desalentadora, pero en realidad esno. Es un tipo de computación extraordinariamente democratizador, y creo que mucha gente está comenzando a entenderlo ".
Fuente de la historia :
Materiales proporcionados por Universidad de Harvard . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :