Forskare vid Rice University's Brown School of Engineering använder data som samlats in före ett dödligt jordskred 2017 på Grönland för att visa hur djup inlärning en dag kan förutse seismiska händelser som jordbävningar och vulkanutbrott.

Seismiska data som samlats in före det massiva jordskredet vid en fjord på Grönland visar att de subtila signalerna om den förestående händelsen var där, men ingen mänsklig analytiker kunde möjligen ha sammanställt ledtrådarna i tid för att kunna förutsäga. Den resulterande tsunamin som ödelade byn Nuugaatsiaq dödade fyra människor och skadade nio och spolade 11 byggnader i havet.

En studie ledd av den tidigare risbesökande forskaren Léonard Seydoux, nu biträdande professor vid universitetet i Grenoble-Alpes, använder tekniker utvecklade av Rice-ingenjörer och medförfattare Maarten de Hoop och Richard Baraniuk. Deras öppenhetsrapport i Naturkommunikation visar hur djupinlärningsmetoder kan bearbeta den överväldigande mängden data som tillhandahålls av seismiska verktyg tillräckligt snabbt för att förutsäga händelser.

De Hoop, som specialiserat sig på matematisk analys av inversproblem och djupinlärning i samband med Rices Department of Earth, Miljö- och planetvetenskap, nämnda framsteg inom artificiell intelligens (AI) är väl lämpade för att oberoende övervaka stora och växande mängder seismisk data. AI har förmågan att identifiera kluster av händelser och upptäcka bakgrundsljud för att skapa kopplingar som mänskliga experter kanske inte känner igen på grund av fördomar i deras modeller, för att inte tala om volymen, han sa.

Timmar före Nuugaatsiaq-evenemanget, dessa små signaler började dyka upp i data som samlats in av en närliggande seismisk station. Forskarna analyserade data från midnatt den 17 juni, 2017, fram till en minut före bilden vid 23:39 som släppte ut upp till 51 miljoner kubikmeter material.

Rice-algoritmen avslöjade svaga men repetitiva mullranden – oupptäckbara i råa seismiska register – som började ungefär nio timmar före händelsen och accelererade över tiden, leder till jordskredet.

"Det fanns en föregångare till den här av vår medförfattare, Piero Poli i Grenoble, som studerade händelsen utan AI, " sa de Hoop. "De upptäckte något i data som de tyckte att vi skulle titta på, och eftersom området är isolerat från mycket annat buller och tektonisk aktivitet, det var den renaste data vi kunde arbeta med för att pröva våra idéer."

De Hoop fortsätter att testa algoritmen för att analysera vulkanisk aktivitet i Costa Rica och är också involverad i NASA:s InSight-landare, som levererade en seismisk detektor till Mars yta för nästan två år sedan.

Konstant övervakning som ger sådana varningar i realtid kommer att rädda liv, sa de Hoop.

"Folk frågar mig om den här studien är signifikant - och ja, det är ett stort steg framåt – och sedan om vi kan förutsäga jordbävningar. Vi är inte riktigt redo att göra det, men denna riktning är, Jag tror, en av de mest lovande för tillfället."

När de Hoop gick med i Rice för fem år sedan, han tog med sig expertis i att lösa omvända problem som innebär att man arbetar baklänges från data för att hitta en orsak. Baraniuk är en ledande expert på maskininlärning och komprimering, som hjälper till att extrahera användbar data från glesa prover. Tillsammans, de är ett fantastiskt team.

"Det mest spännande med det här arbetet är inte det nuvarande resultatet, men det faktum att tillvägagångssättet representerar en ny forskningsriktning för maskininlärning som tillämpas på geofysik, sa Baraniuk.

"Jag kommer från matematik för djupinlärning och Rich kommer från signalbehandling, som är i motsatta ändar av disciplinen, sa de Hoop. Men här möts vi i mitten. Och nu har vi en fantastisk möjlighet för Rice att bygga vidare på sin expertis som ett nav för seismologer att samla och sätta ihop dessa bitar. Det finns bara så mycket data nu att det blir omöjligt att hantera på annat sätt. "

De Hoop hjälper till att växa Rices rykte för seismisk expertis med Simons Foundation Math+X Symposia, som redan har presenterat händelser om utforskning av rymden och mildrande naturliga faror som vulkaner och jordbävningar. En tredje händelse, datum meddelas, kommer att studera djupinlärningsapplikationer för soljättar och exoplaneter.