Under veckorna och månaderna efter en stor jordbävning, det omgivande området plågas ofta av kraftiga efterskalv som kan lämna ett redan skadat samhälle på rullning och avsevärt försvåra återhämtningsarbetet.

Medan forskare har utvecklat empiriska lagar, som Bäths lag och Ohmoris lag, för att beskriva den troliga storleken och tidpunkten för dessa efterskalv, metoder för att förutsäga sin plats har varit svårare att förstå.

Men utlöst av ett förslag från forskare på Google, Brendan Meade, professor i jord- och planetvetenskap, och Phoebe DeVries, en postdoktor som arbetar i sitt labb, använder artificiell intelligens för att försöka få bukt med problemet.

Genom att använda algoritmer för djupinlärning, paret analyserade en databas med jordbävningar från hela världen för att försöka förutsäga var efterskalv kan inträffa, och utvecklat ett system som medan den fortfarande är oprecis, kunde förutsäga efterskalv betydligt bättre än slumpmässigt uppdrag. Arbetet beskrivs i en tidning den 30 augusti publicerad i Natur .

"Det finns tre saker du vill veta om jordbävningar - du vill veta när de kommer att inträffa, hur stora de kommer att bli och var de kommer att vara, ", sa Meade. "Före detta arbete hade vi empiriska lagar för när de skulle inträffa och hur stora de skulle bli, och nu jobbar vi på tredje etappen, där de kan inträffa."

"Jag är väldigt exalterad över potentialen för maskininlärning framåt med den här typen av problem - det är ett mycket viktigt problem att gå efter, ", sa DeVries. "Särskilt efterskalvprognoser är en utmaning som är väl lämpad för maskininlärning eftersom det finns så många fysiska fenomen som kan påverka efterskalvbeteende och maskininlärning är extremt bra på att reta ut dessa relationer. Jag tror att vi egentligen bara har skrapat på ytan av vad som kan göras med efterskalvprognoser...och det är verkligen spännande."

Tanken att använda artificiella intelligenta neurala nätverk för att försöka förutsäga efterskalv kom först upp för flera år sedan, under den första av Meades två sabbatsår på Google i Cambridge.

Under arbetet med ett relaterat problem med ett team av forskare, Meade sa, en kollega föreslog att de då framväxande algoritmerna för "djupinlärning" kan göra problemet mer lösbart. Meade skulle senare samarbeta med DeVries, som hade använt neurala nätverk för att omvandla högpresterande datorkod till algoritmer som kunde köras på en bärbar dator för att fokusera på efterskalv.

"Målet är att fullborda bilden och vi hoppas att vi har bidragit till det, " sa Meade.

Att göra det, Meade och DeVries började med att komma åt en databas med observationer som gjorts efter mer än 199 stora jordbävningar.

"Efter jordbävningar av magnituden 5 eller större, människor lägger ner mycket tid på att kartlägga vilken del av felet som halkade och hur mycket det rörde sig, " Sa Meade. "Många studier kan använda observationer från en eller två jordbävningar, men vi använde hela databasen...och vi kombinerade den med en fysikbaserad modell av hur jorden kommer att bli stressad och ansträngd efter jordbävningen, med tanken att de påfrestningar och påfrestningar som orsakas av huvudchocken kan vara det som utlöser efterskalv."

Beväpnad med den informationen, de separerar sedan ett område som hittats i rutnät på 5 kilometer i kvadrat. I varje rutnät, systemet kontrollerar om det var ett efterskalv, och ber det neurala nätverket att leta efter korrelationer mellan platser där efterskalv inträffade och påfrestningarna som genererades av den huvudsakliga jordbävningen.

"Frågan är vilken kombination av faktorer som kan vara förutsägande, " sade Meade. "Det finns många teorier, men en sak som den här uppsatsen gör är helt klart att upphäva den mest dominerande teorin – den visar att den har försumbar prediktiv kraft, och istället kommer den med en som har betydligt bättre prediktiv kraft."

Vad systemet pekade på, Meade sa, är en storhet känd som den andra invarianten av den deviatoriska spänningstensorn – bättre känd helt enkelt som J2.

"Detta är en mängd som förekommer i metallurgi och andra teorier, men har aldrig varit populär inom jordbävningsvetenskap, " Sa Meade. "Men vad det betyder är att det neurala nätverket inte kom på något galet, det kom fram till något som var mycket tolkbart. Den kunde identifiera vilken fysik vi skulle titta på, vilket är ganska coolt."

Den tolkningsbarheten, DeVries sa, är avgörande eftersom system med artificiell intelligens länge har setts av många forskare som svarta lådor – kapabla att ge ett svar baserat på vissa data.

"Detta var ett av de viktigaste stegen i vår process, " sa hon. "När vi först tränade det neurala nätverket, vi märkte att det var ganska bra på att förutsäga platserna för efterskalv, men vi trodde att det skulle vara viktigt om vi kunde tolka vilka faktorer som var viktiga eller användbara för den prognosen."

Att ta sig an en sådan utmaning med mycket komplexa verkliga data, dock, skulle vara en svår uppgift, så paret bad istället systemet att skapa prognoser för syntetiska, mycket idealiserade jordbävningar och sedan undersöka förutsägelserna.

"Vi tittade på resultatet av det neurala nätverket och sedan tittade vi på vad vi skulle förvänta oss om olika kvantiteter kontrollerade efterskalvsprognoser, " sa hon. "Genom att jämföra dem rumsligt, vi kunde visa att J2 verkar vara viktig i prognoser."

Och eftersom nätverket tränades med hjälp av jordbävningar och efterskalv från hela världen, Meade sa, det resulterande systemet fungerade för många olika typer av fel.

"Fel i olika delar av världen har olika geometri, " sa Meade. "I Kalifornien, de flesta är halkfel, men på andra ställen, som Japan, de har mycket grunda subduktionszoner. Men det som är coolt med det här systemet är att du kan träna det på ett, och det kommer att förutsäga den andra, så det är verkligen generaliserbart."

"Vi är fortfarande långt ifrån att faktiskt kunna förutse dem, " sa hon. "Vi är väldigt långt ifrån att göra det i någon realtidsbemärkelse, men jag tror att maskininlärning har en enorm potential här."

Går framåt, Meade sa, han arbetar med ansträngningar för att förutsäga omfattningen av jordbävningar själva med hjälp av artificiell intelligensteknologi med målet att en dag hjälpa till att förhindra de förödande effekterna av katastroferna.

"Ortodoxa seismologer är till stor del patologer, " Sa Meade. "De studerar vad som händer efter den katastrofala händelsen. Jag vill inte göra det – jag vill bli epidemiolog. Jag vill förstå triggers, orsakar och överföringar som leder till dessa händelser."

I sista hand, Meade sa, Studien syftar till att belysa potentialen för algoritmer för djupinlärning för att svara på frågor som – tills nyligen – forskare knappt visste hur de skulle ställa.

"Jag tror att det finns en tyst revolution i att tänka på jordbävningsförutsägelser, " sa han. "Det är inte en idé som är helt ute längre. Och även om detta resultat är intressant, Jag tror att detta är en del av en revolution i allmänhet om att återuppbygga all vetenskap under artificiell intelligens-eran.

"Problem som är skrämmande svåra är extremt tillgängliga nuförtiden, " fortsatte han. "Det beror inte bara på datorkraft – det vetenskapliga samfundet kommer att dra enorm nytta av detta eftersom...AI låter extremt skrämmande, men det är det faktiskt inte. Det är en utomordentligt demokratiserande typ av datoranvändning, och jag tror att många börjar få det."