Att förstå jordbävningar är ett utmanande problem - inte bara för att de är potentiellt farliga utan också för att det är komplicerade fenomen som är svåra att studera. Att tolka det massiva, ofta invecklade datauppsättningar som registreras av jordbävningsövervakningsnätverk är en herkulös uppgift för seismologer, men ansträngningen med att ta fram noggranna analyser kan avsevärt förbättra utvecklingen av pålitliga system för tidig varning för jordbävningar.

Ett lovande nytt samarbete mellan Caltech seismologer och datavetare som använder artificiell intelligens (AI) - datorsystem som kan lära sig och utföra uppgifter som tidigare krävde människor - syftar till att förbättra de automatiserade processerna som identifierar jordbävningsvågor och bedömer styrkan, fart, och riktning för skakningar i realtid. Samarbetet omfattar forskare från avdelningarna för geologiska och planetära vetenskaper och teknik och tillämpad vetenskap, och är en del av Caltechs AI4Science Initiative för att tillämpa AI på de stora dataproblem som forskare står inför i hela institutet. Drivs av avancerad hårdvara och maskininlärningsalgoritmer, modern AI har potential att revolutionera seismologiska dataverktyg och göra oss alla lite säkrare mot jordbävningar.

Nyligen, Caltechs Yisong Yue, en biträdande professor i databehandling och matematiska vetenskaper, satte sig ner med sina medarbetare, Forskningsprofessor i geofysik Egill Hauksson, Postdoktor i geofysik Zachary Ross, och associerad personal seismolog Men-Andrin Meier, för att diskutera det nya projektet och framtiden för AI och jordbävningsvetenskap.

Vilket seismologiskt problem inspirerade dig att inkludera AI i din forskning?

Meier:En av de saker som jag arbetar med är tidig varning för jordbävningar. Tidig varning kräver att vi försöker upptäcka jordbävningar mycket snabbt och förutsäga skakningarna som de kommer att producera senare så att du kan få några sekunder till kanske tiotals sekunder varning innan skakningen startar.

Hauksson:Det måste göras mycket snabbt - det är spelet. Jordbävningsvågorna träffar först den närmaste övervakningsstationen, och om vi kan känna igen dem direkt, då kan vi skicka ut en varning innan vågorna reser längre.

Meier:Du har bara några sekunder seismogram för att avgöra om det är en jordbävning, vilket skulle innebära att du skickar ut en varning, eller om det istället är en störningssignal - en lastbil som kör vid en av våra seismometrar eller något liknande. Vi har för många falska klassificeringar, för många falska varningar, och folk gillar inte det. Detta är ett klassiskt maskininlärningsproblem:du har lite data och du måste göra en realistisk och korrekt klassificering. Så, Vi tog kontakt med Caltechs avdelning för dator- och matematisk vetenskap (CMS) och började arbeta med det.

Varför är AI ett bra verktyg för att förbättra system för övervakning av jordbävningar?

Yue:Anledningarna till att AI kan vara ett bra verktyg har att göra med skala och komplexitet i kombination med en riklig mängd data. Jordbävningsövervakningssystem genererar massiva datamängder som måste bearbetas för att kunna ge användbar information till forskare. AI kan göra det snabbare och mer exakt än människor kan, och till och med hitta mönster som annars skulle undkomma det mänskliga ögat. Vidare, de mönster vi hoppas kunna extrahera är svåra för regelbaserade system att på ett adekvat sätt fånga, och så kan de avancerade mönstermatchningsmöjligheterna för modern djupinlärning erbjuda överlägsen prestanda än befintliga automatiska jordbävningsövervakningsalgoritmer.

Ross:I en stor efterskalksekvens, till exempel, du kan ha händelser som är åtskilda var 10:e sekund, snabb eld, hela dagen. Vi använder kanske 400 stationer i södra Kalifornien för att övervaka jordbävningar, och vågorna som orsakas av varje olika jordbävning kommer att träffa dem alla vid olika tidpunkter.

Yue:När du har flera jordbävningar, och sensorerna skjuter alla på olika platser, du vill kunna avlägsna vilka data som tillhör vilken jordbävning. Att städa upp och analysera data tar tid. Men när du väl tränar en maskininlärningsalgoritm-ett datorprogram som lär sig genom att studera exempel i motsats till genom tydlig programmering-för att göra detta, det kan göra en bedömning riktigt snabbt. Det är värdet.

Hur hjälper AI annars seismologer?

Yue:Vi är inte bara intresserade av enstaka mycket stora jordbävningar som händer med några års mellanrum eller så. Vi är intresserade av jordbävningarna i alla storlekar som händer varje dag. AI har potential att identifiera små jordbävningar som för närvarande inte går att skilja från bakgrundsbrus.

Ross:I genomsnitt ser vi cirka 50 jordbävningar varje dag i södra Kalifornien, och vi har ett uppdrag från U.S. Geological Survey att övervaka var och en. Det finns många fler, men de är för små för att vi ska kunna upptäcka det med befintlig teknik. Och ju mindre de är, ju oftare de inträffar. Det vi försöker göra är att övervaka, lokalisera, upptäcka, detektera, och karakterisera var och en av dessa händelser för att bygga "jordbävningskataloger". All denna analys börjar avslöja de mycket invecklade detaljerna i de fysiska processer som driver jordbävningar. Dessa detaljer var inte riktigt synliga tidigare.

Varför har ingen använt AI på seismologi tidigare?

Ross:Först under det senaste året eller två har seismologi på allvar börjat överväga AI -teknik. En del av det har att göra med den dramatiska ökningen av datorbearbetningskraft som vi har sett just under det senaste decenniet.

Vad är det långsiktiga målet med detta samarbete?

Meier:I slutändan, vi vill bygga en algoritm som efterliknar vad mänskliga experter gör. En mänsklig seismolog kan känna en jordbävning eller se ett seismogram och omedelbart berätta en massa saker om den jordbävningen bara av erfarenhet. Det var verkligen svårt att lära ut det till en dator. Med artificiell intelligens, vi kan komma mycket närmare hur en mänsklig expert skulle behandla problemet. Vi kommer mycket närmare att skapa en "virtuell seismolog".

Varför behöver vi en "virtuell seismolog?"

Yue:I grunden både i seismologi och därefter, anledningen till att du vill göra den här typen av saker är skala och komplexitet. Om du kan träna en AI som lär dig, då kan du ta en specialiserad färdighetsuppsättning och göra den tillgänglig för alla. Den andra frågan är komplexitet. Du kan ha en mänsklig titt på detaljerade seismiska data under en lång tid och avslöja små jordbävningar. Eller så kan du bara få en algoritm att lära sig att plocka ut de mönster som betyder mycket snabbare.

Meier:Den detaljerade informationen som vi samlar in hjälper oss att ta reda på jordbävningens fysik - varför de fissar ut längs vissa fel och utlöser stora skalv tillsammans med andra, och hur ofta de förekommer.

Kommer att skapa en "virtuell seismolog" innebära slutet för mänskliga seismologer?

Ross:Efter att ha pratat med en rad studenter, Jag kan med ganska stort förtroende säga att de flesta av dem inte vill göra katalogiseringsarbete. [Skrattar.] De skulle hellre göra mer spännande arbete.

Yue:Tänk dig att du är musiker och innan du kan bli musiker, först måste du bygga ditt eget piano. Så du spenderar fem år på att bygga ditt piano, och sedan blir du musiker. Nu har vi ett automatiserat sätt att bygga pianon - kommer vi att förstöra musikers jobb? Nej, vi ger faktiskt en ny generation musiker. Vi har andra problem som de kan arbeta med.