ИИ прогнозирует землетрясения

  •  17 /
Остатки 2000-летнего елового леса на пляже Несковин, штат Орегон - один из десятков «лесов-призраков» на побережье Орегона и Вашингтона. Считается, что в результате мегаземлетрясения в зоне субдукции Каскадии деревья были вырублены, а пни были засыпаны обломками цунами.
Spread the love

После успешного предсказания землетрясений в лаборатории группа геофизиков применила алгоритм машинного обучения к землетрясениям на северо-западе Тихого океана.

Вмае прошлого года, после 13-месячного сна, земля под вашингтонским заливом Пьюджет-Саунд ожила. Землетрясение началось более чем в 20 милях ниже Олимпийских гор и в течение нескольких недель продвинулось на северо-запад, достигнув канадского острова Ванкувер. Затем он ненадолго изменил курс, мигрировал обратно через границу США, прежде чем снова замолчать. В общем, землетрясение продолжительностью месяц, вероятно, высвободило достаточно энергии, чтобы его можно было зарегистрировать как магнитуду 6. К тому времени, когда это произошло, южная оконечность острова Ванкувер была на сантиметр или около того приближена к Тихому океану.

Однако, поскольку землетрясение было настолько распространено во времени и пространстве, вероятно, никто его не почувствовал. Эти виды фантомных землетрясений, которые происходят глубже под землей, чем обычные быстрые землетрясения, известны как «медленные оползни». Они происходят примерно раз в год на Тихоокеанском Северо-Западе, вдоль участка разлома, где плита Хуан-де-Фука медленно вклинивается под Северо-Американскую плиту. С 2003 года разветвленной региональной сетью сейсмических станций было обнаружено более дюжины медленных подвижек. И в течение последних полутора лет эти события были в центре внимания новой попытки предсказания землетрясений, проводимой геофизиком Полом Джонсоном .

Команда Джонсона входит в горстку групп, которые используют машинное обучение, чтобы попытаться демистифицировать физику землетрясений и выявить предупреждающие знаки надвигающихся землетрясений. Два года назад, используя алгоритмы поиска закономерностей, аналогичные тем, которые лежат в основе недавних достижений в области распознавания изображений и речи и других форм искусственного интеллекта, он и его сотрудники успешно предсказали последствия в модельной лабораторной системе — подвиг, который с тех пор повторили исследователи в Европа.

Сделан важный шаг — чрезвычайно важный шаг. Но это как крошечный шаг в правильном направлении.

В статье, опубликованной на этой неделе на сайте научных препринтов arxiv.org, Джонсон и его команда сообщают, что они протестировали свой алгоритм на медленных землетрясениях на северо-западе Тихого океана. Документ еще не прошел рецензирование, но сторонние эксперты говорят, что результаты впечатляют. По словам Джонсона, они показывают, что алгоритм может предсказать начало землетрясения с медленным скольжением «в течение нескольких дней — и, возможно, лучше».

«Это захватывающее событие», — сказал Маартен де Хооп, сейсмолог из Университета Райса, который не принимал участия в работе. «Я думаю, что впервые наступил момент, когда мы действительно добились прогресса» в предсказании землетрясений.

Мостафа Мусави, геофизик из Стэнфордского университета, назвал новые результаты «интересными и вдохновляющими». Он, де Хооп и другие специалисты в этой области подчеркивают, что машинному обучению предстоит пройти долгий путь, прежде чем оно сможет надежно предсказывать катастрофические землетрясения, и что некоторые препятствия может быть трудно, а то и невозможно преодолеть. Тем не менее, в области, где ученые боролись на протяжении десятилетий и не видели проблесков надежды, машинное обучение может быть их лучшим шансом.

Палки и скольжения

Покойный сейсмолог Чарльз Рихтер, в честь которого названа шкала магнитуд Рихтера, в 1977 году заметил, что предсказание землетрясений может стать «счастливым местом охоты для любителей, чудаков и откровенно ищущих рекламы». Сегодня многие сейсмологи скажут вам, что они видели свою долю всех трех.

Но были также авторитетные ученые, которые придумали теории, которые в ретроспективе кажутся крайне ошибочными, если не откровенно дурацкими. Был геофизик из Афинского университета Панайотис Варотсос, который утверждал, что может обнаруживать надвигающиеся землетрясения, измеряя «сейсмические электрические сигналы». Был Брайан Брэди, физик из Горнорудного управления США, который в начале 1980-х годов подавал в Перу несколько ложных тревог, основывая их на слабом представлении о том, что горные удары в подземных шахтах являются явными признаками приближающихся землетрясений.

Пол Джонсон хорошо знает эту пеструю историю. Он знает, что простая фраза «предсказание землетрясения» во многих кругах является табу. Он знает о шести итальянских ученых, которые были осуждены за непредумышленное убийство в 2012 году за преуменьшение вероятности землетрясения недалеко от центрального итальянского города Л’Акуила, за несколько дней до того, как регион был разрушен силой 6,3 балла. (Позднее обвинительные приговоры были отменены.) Он знает о выдающихся сейсмологах, решительно заявлявших, что «землетрясения невозможно предсказать».

Но Джонсон также знает, что землетрясения — это физические процессы, не отличающиеся в этом отношении от коллапса умирающей звезды или смещения ветров. И хотя он подчеркивает, что его основная цель — лучше понять физику отказов, он не уклоняется от проблемы предсказания.

Более десяти лет назад Джонсон начал изучать «лабораторные землетрясения», вызванные скользящими блоками, разделенными тонкими слоями зернистого материала. Подобно тектоническим плитам, блоки скользят не плавно, а скачками: они обычно слипаются на несколько секунд, удерживаясь на месте за счет трения, пока напряжение сдвига не станет достаточно большим, чтобы они внезапно соскользнули. Это скольжение — лабораторная версия землетрясения — снимает напряжение, и затем цикл скачкообразных колебаний начинается заново.

Пол Джонсон, геофизик из Национальной лаборатории Лос-Аламоса, сфотографировал в 2008 году блок из акрилового пластика, одного из материалов, которые его команда использует для моделирования землетрясений в лаборатории.

Пол Джонсон, геофизик из Национальной лаборатории Лос-Аламоса, сфотографировал в 2008 году блок из акрилового пластика, одного из материалов, которые его команда использует для моделирования землетрясений в лаборатории.

Когда Джонсон и его коллеги записали акустический сигнал, издаваемый во время этих циклов скачкообразного движения, они заметили резкие пики непосредственно перед каждым скольжением. Эти предшествующие события были лабораторным эквивалентом сейсмических волн, созданных форшоками перед землетрясением. Но точно так же, как сейсмологи изо всех сил пытались превратить прогнозы в прогнозы того, когда произойдет главное землетрясение, Джонсон и его коллеги не могли понять, как превратить предшествующие события в надежные предсказания лабораторных землетрясений. «Мы как бы зашли в тупик, — вспоминал Джонсон. «Я не видел способа продолжить».

На встрече несколько лет назад в Лос-Аламосе Джонсон объяснил свою дилемму группе теоретиков. Они предложили ему повторно проанализировать свои данные с помощью машинного обучения — подхода, который к тому времени был хорошо известен своим умением распознавать шаблоны в аудиоданных.

Вместе ученые разработали план. Они брали примерно пять минут аудиозаписи, записанной во время каждого эксперимента, включающего около 20 циклов прерывистого движения, и нарезали ее на множество крошечных сегментов. Для каждого сегмента исследователи вычислили более 80 статистических характеристик, включая средний сигнал, вариацию этого среднего значения и информацию о том, содержит ли сегмент событие-предвестник. Поскольку исследователи анализировали данные задним числом, они также знали, сколько времени прошло между каждым звуковым сегментом и последующим отказом из-за лабораторной ошибки.

Вооружившись этими данными обучения, они использовали так называемый алгоритм машинного обучения «случайного леса» для систематического поиска комбинаций функций, которые были тесно связаны с количеством времени, оставшимся до отказа. После просмотра экспериментальных данных за пару минут алгоритм мог начать прогнозировать время отказа, основываясь только на характеристиках акустической эмиссии.

Джонсон и его сотрудники решили использовать алгоритм случайного леса для прогнозирования времени до следующего промаха отчасти потому, что — по сравнению с нейронными сетями и другими популярными алгоритмами машинного обучения — случайные леса относительно легко интерпретировать. По сути, алгоритм работает как дерево решений, в котором каждая ветвь разбивает набор данных в соответствии с некоторыми статистическими характеристиками. Таким образом, дерево сохраняет запись о том, какие функции алгоритм использовал для своих прогнозов, и об относительной важности каждой функции, помогающей алгоритму прийти к этим прогнозам.

Поляризационная линза показывает нарастание напряжения, когда модель тектонической плиты скользит вбок вдоль линии разлома в эксперименте в Национальной лаборатории Лос-Аламоса.

Поляризационная линза показывает нарастание напряжения, когда модель тектонической плиты скользит вбок вдоль линии разлома в эксперименте в Национальной лаборатории Лос-Аламоса.

Когда исследователи из Лос-Аламоса исследовали внутреннюю работу своего алгоритма, то, что они узнали, их удивило. Статистическая характеристика, на которую алгоритм опирался больше всего в своих предсказаниях, не был связан с предшествующими событиями непосредственно перед лабораторным землетрясением. Скорее, это была дисперсия — мера того, как сигнал колеблется относительно среднего — и она транслировалась на протяжении всего цикла прерывистого движения, а не только в моменты непосредственно перед отказом. Разница будет сначала небольшой, а затем постепенно увеличиваться во время разгона землетрясения, предположительно, поскольку зерна между блоками все больше сталкиваются друг с другом под возрастающим напряжением сдвига. Просто зная об этой дисперсии, алгоритм мог бы правильно предположить, когда произойдет промах; информация о предшествующих событиях помогла уточнить эти предположения.

Это открытие имело большие потенциальные последствия. В течение десятилетий потенциальные прогнозисты землетрясений отслеживали форшоки и другие отдельные сейсмические события. Результат в Лос-Аламосе показал, что все искали не в том месте — что ключ к предсказанию лежал вместо этого в более тонкой информации, передаваемой в относительно спокойные периоды между большими сейсмическими событиями.

Конечно, скользящие блоки не начинают отражать химическую, термическую и морфологическую сложность настоящих геологических разломов. Чтобы показать, что машинное обучение может предсказывать реальные землетрясения, Джонсону нужно было проверить это на реальной неисправности. Он подумал, что может быть лучше для этого, чем на северо-западе Тихого океана?

Из лаборатории

Большинство, если не все места на Земле, которые могут испытать землетрясение магнитудой 9 баллов, являются зонами субдукции, где одна тектоническая плита погружается под другую. Зона субдукции к востоку от Японии была ответственна за землетрясение в Тохоку и последующее цунами, опустошившее береговую линию страны в 2011 году. Однажды зона субдукции Каскадия, где плита Хуан-де-Фука погружается под Североамериканскую плиту, аналогичным образом разрушит Пьюджет. Саунд, остров Ванкувер и окружающий его северо-запад Тихого океана.

Зона субдукции Cascadia простирается примерно на 1000 километров побережья Тихого океана от мыса Мендосино в Северной Калифорнии до острова Ванкувер. В последний раз, когда он прорвался, в январе 1700 года, он вызвал темблор силой 9 баллов и цунами, которое достигло побережья Японии. Геологические записи предполагают, что на протяжении голоцена разлом создавал такие мегатрясения примерно раз в полтысячелетия плюс-минус несколько сотен лет. По статистике, следующий крупный проект наступит в любом столетии.

Это одна из причин, по которой сейсмологи уделяют такое пристальное внимание медленным землетрясениям в регионе. Считается, что медленные оползания в нижнем течении разлома в зоне субдукции передают небольшие напряжения хрупкой коре над ними, где происходят быстрые катастрофические землетрясения. С каждым медленным скольжением в районе острова Пьюджет-Саунд и острова Ванкувер шансы на мега-землетрясение на северо-западе Тихого океана немного возрастают. Действительно, в Японии за месяц до землетрясения в Тохоку наблюдалось медленное сползание.

Однако для Джонсона есть еще одна причина обратить внимание на землетрясения с медленным скольжением: они производят много-много данных. Для сравнения: за последние 12 лет на участке разлома между Пьюджет-Саунд и островом Ванкувер не было крупных быстрых землетрясений. За то же время разлом произвел десяток медленных подвижек, каждое из которых занесено в подробный сейсмический каталог.

Этот каталог сейсмических данных является реальным аналогом акустических записей лабораторного эксперимента Джонсона с землетрясением. Так же, как они сделали с акустическими записями, Джонсон и его коллеги разделили сейсмические данные на небольшие сегменты, охарактеризовав каждый сегмент набором статистических характеристик. Затем они загрузили эти обучающие данные вместе с информацией о времени прошлых событий медленного скольжения в свой алгоритм машинного обучения.

После обучения на данных с 2007 по 2013 год алгоритм смог делать прогнозы о медленных сбоях, которые произошли в период с 2013 по 2018 год, на основе данных, зарегистрированных за несколько месяцев до каждого события. Ключевой особенностью была сейсмическая энергия, величина, тесно связанная с дисперсией акустического сигнала в лабораторных экспериментах. Как и дисперсия, сейсмическая энергия нарастала характерным образом при приближении к каждому медленному скольжению.

Прогнозы Каскадии не были такими точными, как прогнозы для лабораторных землетрясений. Коэффициенты корреляции, характеризующие, насколько хорошо предсказания соответствуют наблюдениям, были значительно ниже в новых результатах, чем в лабораторных исследованиях. Тем не менее, по словам Джонсона, алгоритм смог предсказать все пять медленных сбоев, которые произошли в период с 2013 по 2018 год, кроме одного, и определить время начала с точностью до нескольких дней. (Медленный спад, произошедший в августе 2019 года, не был включен в исследование.)

Для де Хупа главный вывод состоит в том, что «методы машинного обучения дали нам коридор, вход в поиск в данных для поиска вещей, которые мы никогда раньше не идентифицировали и не видели». Но он предупреждает, что предстоит еще много работы. «Сделан важный шаг — чрезвычайно важный шаг. Но это как крошечный шаг в правильном направлении».

Отрезвляющие истины

Целью прогнозирования землетрясений никогда не было предсказание медленных оползней. Скорее, это предсказание внезапных катастрофических землетрясений, представляющих опасность для жизни и здоровья. Для подхода машинного обучения это представляет собой кажущийся парадокс: самые сильные землетрясения, которые сейсмологи больше всего хотели бы предсказать, также являются самыми редкими. Как алгоритм машинного обучения сможет когда-либо получить достаточно обучающих данных, чтобы с уверенностью их предсказать?

Группа Лос-Аламоса делает ставку на то, что их алгоритмам на самом деле не нужно будет тренироваться на катастрофических землетрясениях, чтобы их предсказывать. Недавние исследования показывают, что сейсмические модели перед небольшими землетрясениями статистически аналогичны сейсмическим характеристикам их более крупных аналогов, и в любой день десятки небольших землетрясений могут произойти в результате одного разлома. Компьютер, обученный тысячам этих маленьких тем, может быть достаточно универсальным, чтобы предсказывать большие. Алгоритмы машинного обучения также могут быть в состоянии обучаться на компьютерных симуляторах быстрых землетрясений, которые однажды могут служить прокси для реальных данных.

Но даже в этом случае ученые столкнутся с этой отрезвляющей истиной: хотя физические процессы, приводящие разлом к ​​грани землетрясения, могут быть предсказуемыми, фактическое инициирование землетрясения — рост небольшого сейсмического возмущения до полномасштабного разлома — как полагают большинство ученых, содержит по крайней мере элемент случайности. Если предположить, что это так, независимо от того, насколько хорошо машины обучены, они никогда не смогут предсказывать землетрясения так же, как ученые предсказывают другие стихийные бедствия.

«Мы еще не знаем, что означает прогнозирование в отношении сроков», — сказал Джонсон. «Это будет похоже на ураган? Нет, я так не думаю.

В лучшем случае прогнозы сильных землетрясений, вероятно, будут иметь временные рамки в недели, месяцы или годы. Такие прогнозы, вероятно, нельзя было использовать, скажем, для координации массовой эвакуации накануне трагедии. Но они могут повысить общественную готовность, помочь государственным чиновникам направить свои усилия на переоборудование небезопасных зданий и иным образом снизить опасность катастрофических землетрясений.

Джонсон видит в этом цель, к которой стоит стремиться. Однако, будучи реалистом, он знает, что на это потребуется время. «Я не говорю, что мы собираемся предсказывать землетрясения при моей жизни, — сказал он, — но … мы собираемся добиться огромного прогресса».

Добавить комментарий