En grupp forskare från Storbritannien och USA har använt maskininlärningstekniker för att framgångsrikt förutsäga jordbävningar. Även om deras arbete utfördes i en laboratoriemiljö, experimentet efterliknar verkliga förhållanden, och resultaten kan användas för att förutsäga tidpunkten för en riktig jordbävning.

Laget, från University of Cambridge, Los Alamos National Laboratory och Boston University, identifierade en dold signal som ledde fram till jordbävningar, och använde detta "fingeravtryck" för att träna en maskininlärningsalgoritm för att förutsäga framtida jordbävningar. Deras resultat, som också kan tillämpas på laviner, jordskred och mer, rapporteras i tidskriften Geophysical Review Letters.

För geovetare, att förutsäga tidpunkten och omfattningen av en jordbävning är ett grundläggande mål. Generellt, Det är ganska enkelt att fastställa var en jordbävning kommer att inträffa:om en jordbävning har drabbat en viss plats tidigare, chansen är stor att den slår till där igen. Frågorna som har utmanat forskare i decennier är hur man ska fastställa när en jordbävning kommer att inträffa, och hur allvarligt det kommer att bli. Under de senaste 15 åren, framsteg inom instrumentprecision har gjorts, men en tillförlitlig jordbävningsförutsägelseteknik har ännu inte utvecklats.

Som en del av ett projekt som söker efter sätt att använda maskininlärningstekniker för att göra galliumnitrid (GaN) lysdioder mer effektiva, studiens första författare, Bertrand Rouet-Leduc, som då var doktorand vid Cambridge, flyttade till Los Alamos National Laboratory i New Mexico för att starta ett samarbete om maskininlärning inom materialvetenskap mellan Cambridge University och Los Alamos. Därifrån började teamet hjälpa Los Alamos Geophysics-gruppen med frågor om maskininlärning.

Teamet på Los Alamos, ledd av Paul Johnson, studerar samspelet mellan jordbävningar, prekursorskalv (ofta mycket små jordrörelser) och förkastningar, med hopp om att utveckla en metod för att förutsäga jordbävningar. Genom att använda ett labbbaserat system som efterliknar riktiga jordbävningar, forskarna använde maskininlärningsteknik för att analysera de akustiska signalerna från "felet" när det rörde sig och leta efter mönster.

Laboratorieapparaten använder stålblock för att nära efterlikna de fysiska krafterna som verkar i en riktig jordbävning, och registrerar även de seismiska signaler och ljud som sänds ut. Maskininlärning används sedan för att hitta sambandet mellan den akustiska signalen som kommer från felet och hur nära den är att misslyckas.

Maskininlärningsalgoritmen kunde identifiera ett speciellt mönster i ljudet, tidigare trodde att det inte var annat än buller, som inträffar långt före en jordbävning. Egenskaperna för detta ljudmönster kan användas för att ge en exakt uppskattning (inom några få procent) av belastningen på felet (dvs. hur mycket kraft är den under) och för att uppskatta tiden som återstår innan fel, som blir mer och mer exakt när misslyckandet närmar sig. Teamet tror nu att detta ljudmönster är ett direkt mått på den elastiska energin som finns i systemet vid en given tidpunkt.

"Detta är första gången som maskininlärning har använts för att analysera akustisk data för att förutsäga när en jordbävning kommer att inträffa, långt innan det gör det, så att gott om varningstid kan ges - det är otroligt vad maskininlärning kan göra, " sa medförfattaren professor Sir Colin Humphreys vid Cambridges avdelning för materialvetenskap och metallurgi, vars huvudsakliga forskningsområde är energieffektiva och kostnadseffektiva lysdioder. Humphreys var Rouet-Leducs handledare när han var doktorand vid Cambridge.

"Maskininlärning möjliggör analys av datauppsättningar som är för stora för att hantera manuellt och tittar på data på ett opartiskt sätt som gör det möjligt att göra upptäckter, sa Rouet-Leduc.

Även om forskarna varnar för att det finns flera skillnader mellan ett labbbaserat experiment och en riktig jordbävning, de hoppas på att gradvis skala upp sitt tillvägagångssätt genom att tillämpa det på verkliga system som mest liknar deras labbsystem. En sådan plats är i Kalifornien längs San Andreas-förkastningen, där karakteristiska små återkommande jordbävningar liknar dem i den labbbaserade jordbävningssimulatorn. Framsteg görs också när det gäller Cascadia-förkastningen i Stillahavsområdet nordvästra USA och British Columbia, Kanada, där upprepade långsamma jordbävningar som inträffar under veckor eller månader också liknar laboratoriejordbävningar.

"Vi är vid en punkt där enorma framsteg inom instrumentering, maskininlärning, snabbare datorer och vår förmåga att hantera massiva datamängder kan åstadkomma enorma framsteg inom jordbävningsvetenskapen, sa Rouet-Leduc.