I början av september 2018, en kraftig jordbävning på ön Hokkaido i norra Japan utlöste jordskred, störtade byggnader, bryta strömmen, stoppade industrin, dödade mer än 40 människor och skadade hundratals. Den nationella meteorologiska byrån varnade för att efterskalv kan drabba upp till en vecka efter huvudhändelsen.

"En stor jordbävning kommer vanligtvis att ha tusentals efterskalv, "sa Gregory Beroza, Wayne Loel professor i geofysik vid School of Earth, Energy &Environmental Sciences (Stanford Earth) vid Stanford University. "Vi vet att en stor jordbävning förändrar något i jordskorpan som gör att dessa efterskalv inträffar."

Sällsyntheten med stora skalv, dock, gör det svårt att dokumentera och statistiskt modellera hur stora jordbävningar interagerar med varandra i rum och tid. Efterskalv kan erbjuda en lösning. "Efterskalv inträffar av samma mekanism, på samma geologiska förkastningar och under samma förhållanden som andra jordbävningar, "Beroza förklarade i en ny artikel i tidningen Natur . Som ett resultat, interaktioner mellan den största jordbävningen i en sekvens, känd som en storstöt, och dess efterskalv kan ge ledtrådar till jordbävningsinteraktioner mer allmänt, hjälpa till att förklara hur förändringar på ett fel som orsakats av en jordbävning kan påverka den potentiella platsen för en annan.

Här, Beroza diskuterar hur forskare förutspår efterskalv och varför de vänder sig till artificiell intelligens för att bygga bättre modeller för framtiden.

Vilka är de nuvarande metoderna för att förutsäga förskott och var kommer de till korta?

GREGORY BEROZA:När en stor jordbävning glider, som förändrar krafterna i hela jordskorpan i närheten. Man tror att denna stressförändring är mest ansvarig för att utlösa efterskalv. Stressen är det som driver jordbävningar.

Forskare har noterat en tendens till efterskalv att inträffa där två typer av stress påverkar en felförändring. Den första typen som kallas är normal stress, vilket är hur starkt två sidor av ett fel trycker ihop eller dras isär. Den andra typen kallas skjuvspänning, eller hur starkt de två sidorna trycks förbi varandra, parallellt med felet, av avlägsna krafter. Minskning av normalspänningen och ökningar av skjuvspänningen förväntas uppmuntra efterföljande jordbävningar. Mått på dessa förändringar i bergvolymen runt ett förkastning kombineras till ett enda mått som kallas Coulombs brottspänningsförändring.

Men det är ingen hård och snabb regel. Vissa jordbävningar inträffar där de på sätt och vis inte borde, med det måttet. Det finns komponenter av stress som skiljer sig från skjuvspänning och normal stress. Det finns stress åt andra håll, och komplexa kombinationer. Så vi är okej med att förutsäga var efterskalv kommer, och kommer inte, inträffar efter en huvudstöt, men inte så bra som vi skulle vilja.

Vad är ett artificiellt neuralt nätverk och hur kan forskare använda denna typ av artificiell intelligens för att förutsäga jordbävningar och efterskalv?

BEROZA:Föreställ dig en maskin som tar ingångar från vänster. När du flyttar till höger har du en rad lager, var och en innehåller ett gäng anslutna neuroner. Och i andra änden har du ett resultat av något slag.

En neuron kan excitera en annan. När du lägger till många av dessa lager med många olika interaktioner, du får väldigt snabbt en extremt stor uppsättning möjliga relationer. När människor talar om "djupa" neurala nätverk, det betyder att de har många lager.

I detta fall, din input är information om stress på ett fel. Utgången är information om platserna för efterskalv. Forskare kan ta exempel på observerade jordbävningar och använda dessa data för att träna neuronerna att interagera på ett sätt som ger ett resultat som observerades i den verkliga världen. Det är en process som kallas maskininlärning. Med tanke på denna uppsättning ingångar, vad är det rätta svaret? Vad sa jorden till oss för denna jordbävning?

En banbrytande insats för att använda artificiell intelligens i detta sammanhang publicerad i Natur i augusti 2018. Författarna matade en maskinlärande algoritm med uppskattningar av stressförändringar och information om var efterskalv inträffade eller inte inträffade för en hel massa jordbävningar. De gör inte jordbävningsförutsägelser i vanlig mening, där du försöker förutsäga tiden, platsen och storleken på jordbävningen. De letar bara efter var efterskalv inträffar. Modellen fångar inte jordens sanna komplexitet, men det går åt rätt håll.

Hur kan tillvägagångssätt med artificiell intelligens tillämpas på seismologi mer allmänt?

BEROZA:Inom geovetenskaperna i allmänhet, vi har komplicerade geologiska system som interagerar starkt på sätt som vi inte förstår. Maskininlärning och artificiell intelligens kan hjälpa oss att utforska och kanske avslöja karaktären hos några av dessa komplicerade relationer. Det kan hjälpa oss att utforska och hitta samband som forskare inte hade tänkt på eller testat.

Vi har också mycket stora datamängder. Det största seismiska nätverket jag har arbetat med har ungefär 5, 000 sensorer i den. Det är 5, 000 sensorer, 100 prover per sekund, och den körs kontinuerligt i månader. Det finns så mycket data att det är svårt att ens titta på det.

Trenden är att dessa datamängder blir allt större. Inom några år, vi kommer att arbeta med datamängder på över 10, 000 sensorer. How do you make sure you're getting as much information as you can out of those massive data sets?

Our usual way of doing business isn't going to scale at some point. Techniques such as data mining and machine learning to help us extract as much information as we can from these very large data sets are going to be an essential part of understanding our planet in the future.