Mått på jordens vibrationer zigkade och zackade över Mostafa Mousavis skärm en morgon i Memphis, Tenn. Som en del av sin Ph.D. studier i geofysik, han satt och skannade jordbävningssignaler inspelade kvällen innan, verifiera att decennier gamla algoritmer hade upptäckt riktiga jordbävningar snarare än skakningar som genererades av vanliga saker som kraschande vågor, förbipasserande lastbilar eller stampande fotbollsfans.

"Jag gjorde allt detta tråkiga arbete i sex månader, tittar på kontinuerliga data, " Mousavi, nu en forskare vid Stanford's School of Earth, Energi- och miljövetenskap (Stanford Earth), påminde nyligen. "Det var meningen jag tänkte, "Det måste finnas ett mycket bättre sätt att göra det här."

Detta var 2013. Handhållna smartphones var redan laddade med algoritmer som kunde bryta ner tal till ljudvågor och komma med de mest troliga orden i dessa mönster. Genom att använda artificiell intelligens, de kunde till och med lära sig av tidigare inspelningar för att bli mer exakta med tiden.

Seismiska vågor och ljudvågor är inte så olika. Man rör sig genom sten och vätska, den andra genom luften. Men medan maskininlärning hade förändrat hur persondatorer bearbetar och interagerar med röst och ljud, Algoritmerna som används för att upptäcka jordbävningar i strömmar av seismisk data har knappast förändrats sedan 1980-talet.

Det har lämnat många jordbävningar oupptäckta.

Stora skalv är svåra att missa, men de är sällsynta. Under tiden, omärkligt små skalv händer hela tiden. Dessa "mikrobävningar" förekommer på samma fel som större jordbävningar - och involverar samma fysik och samma mekanismer - representerar en cache av outnyttjad information om hur jordbävningar utvecklas - men bara om forskare kan hitta dem.

I en nyligen publicerad tidning i Naturkommunikation , Mousavi och medförfattare beskriver en ny metod för att använda artificiell intelligens för att fokusera miljontals av dessa subtila förändringar av jorden. "Genom att förbättra vår förmåga att upptäcka och lokalisera dessa mycket små jordbävningar, vi kan få en tydligare bild av hur jordbävningar samverkar eller sprider sig längs förkastningen, hur de kommer igång, även hur de slutar, " sa Stanford geofysiker Gregory Beroza, en av tidningens författare.

Fokusera på det som är viktigt

Mousavi började arbeta med teknik för att automatisera jordbävningsdetektering strax efter att han undersökte dagliga seismogram i Memphis, men hans modeller kämpade för att få bort bruset som är inneboende i seismiska data. Några år senare, efter att ha gått med i Berozas labb i Stanford 2017, han började fundera på hur han skulle lösa detta problem med hjälp av maskininlärning.

Gruppen har tagit fram en serie allt kraftfullare detektorer. En 2018-modell som heter PhaseNet, utvecklad av Beroza och doktorand Weiqiang Zhu, anpassade algoritmer från medicinsk bildbehandling till att utmärka sig i fasval, vilket innebär att identifiera den exakta starten av två olika typer av seismiska vågor. En annan maskininlärningsmodell, släpptes 2019 och döptes till CRED, inspirerades av röstutlösaralgoritmer i virtuella assistentsystem och visade sig vara effektiv vid upptäckt. Båda modellerna lärde sig de grundläggande mönstren för jordbävningssekvenser från en relativt liten uppsättning seismogram som endast registrerats i norra Kalifornien.

I den Naturkommunikation papper, författarna rapporterar att de har utvecklat en ny modell för att upptäcka mycket små jordbävningar med svaga signaler som nuvarande metoder vanligtvis förbiser, och att välja ut den exakta tidpunkten för de seismiska faserna med hjälp av jordbävningsdata från hela världen. De kallar det Earthquake Transformer.

Enligt Mousavi, modellen bygger på PhaseNet och CRED, och "bäddar in de insikterna jag fick från den tid då jag gjorde allt detta manuellt." Specifikt, Earthquake Transformer efterliknar hur mänskliga analytiker ser på uppsättningen av vickningar som en helhet och sedan finslipa på en liten del av intresse.

Människor gör detta intuitivt i det dagliga livet – ställer in mindre viktiga detaljer för att fokusera mer på det som är viktigt. Datavetare kallar det en "uppmärksamhetsmekanism" och använder det ofta för att förbättra textöversättningar. Men det är nytt inom området för automatisk jordbävningsdetektering, sa Mousavi. "Jag föreställer mig att den här nya generationen av detektorer och fasplockare kommer att vara normen för jordbävningsövervakning inom det närmaste eller två året, " han sa.

Tekniken kan tillåta analytiker att fokusera på att extrahera insikter från en mer komplett katalog över jordbävningar, frigöra sin tid att tänka mer på vad jordbävningsmönstret betyder, sa Beroza, Wayne Loel professor i geovetenskap vid Stanford Earth.

Dolda fel

Att förstå mönster i ackumuleringen av små skakningar under decennier eller århundraden kan vara nyckeln till att minimera överraskningar – och skador – när ett större skalv slår till.

Skalvet i Loma Prieta 1989 rankas som en av de mest destruktiva jordbävningskatastroferna i USA:s historia, och som en av de största som drabbat norra Kalifornien under det senaste århundradet. Det är en distinktion som talar mindre för extraordinär kraft i fallet med Loma Prieta än för luckor i jordbävningsberedskap, farokartläggning och byggregler – och till den extrema sällsyntheten av stora jordbävningar.

Endast ungefär en av fem av de cirka 500, 000 jordbävningar som upptäcks globalt av seismiska sensorer varje år producerar skakningar som är tillräckligt starka för att människor ska märka. Ett typiskt år, kanske 100 skalv orsakar skada.

I slutet av 1980-talet datorer var redan igång med att analysera digitalt inspelade seismiska data, och de bestämde förekomsten och platsen för jordbävningar som Loma Prieta inom några minuter. Begränsningar i både datorer och vågformsdata, dock, lämnade många små jordbävningar oupptäckta och många större jordbävningar endast delvis uppmätta.

Efter den hårda lektionen av Loma Prieta, många samhällen i Kalifornien har kommit att förlita sig på kartor som visar förkastningszoner och de områden där skalv sannolikt kommer att orsaka störst skada. Att fylla ut rekordet över tidigare jordbävningar med Earthquake Transformer och andra verktyg kan göra dessa kartor mer exakta och hjälpa till att avslöja fel som annars skulle kunna komma i dagen först i spåren av förstörelse från en större skalv, som hände med Loma Prieta 1989, och med jordbävningen i Northridge med magnituden 6,7 i Los Angeles fem år senare.

"Ju mer information vi kan få på djupet, tredimensionell förkastningsstruktur genom förbättrad övervakning av små jordbävningar, desto bättre kan vi förutse jordbävningar som lurar i framtiden, " sa Beroza.

Jordbävningstransformator

För att bestämma en jordbävnings plats och magnitud, befintliga algoritmer och mänskliga experter letar efter ankomsttiden för två typer av vågor. Det första setet, känd som primära eller P-vågor, avancera snabbt — trycka, dra och komprimera marken som en Slinky när de rör sig genom den. Därefter kommer skjuvning eller S-vågor, som färdas långsammare men kan vara mer destruktiva när de flyttar jorden från sida till sida eller upp och ner.

För att testa Earthquake Transformer, teamet ville se hur det fungerade med jordbävningar som inte ingår i träningsdata som används för att lära algoritmerna hur en riktig jordbävning och dess seismiska faser ser ut. Träningsdata inkluderade en miljon handmärkta seismogram registrerade mestadels under de senaste två decennierna där jordbävningar inträffar globalt, exklusive Japan. För provet, de valde ut fem veckors kontinuerliga data som registrerats i den japanska regionen som skakades för 20 år sedan av jordbävningen i Tottori med magnituden 6,6 och dess efterskalv.

Modellen upptäckte och lokaliserade 21, 092 händelser – mer än två och en halv gånger antalet jordbävningar som valts ut för hand, använder data från endast 18 av de 57 stationer som japanska forskare ursprungligen använde för att studera sekvensen. Jordbävningstransformatorn visade sig vara särskilt effektiv för de små jordbävningarna som är svårare för människor att plocka ut och registreras i överväldigande antal när seismiska sensorer multipliceras.

"Tidigare, folk hade designat algoritmer för att säga, hitta P-vågen. Det är ett relativt enkelt problem, " förklarade medförfattaren William Ellsworth, en forskningsprofessor i geofysik vid Stanford. Det är svårare att hitta början på S-vågen, han sa, eftersom det kommer fram från de oregelbundna sista flämtarna från de snabbt rörliga P-vågorna. Andra algoritmer har kunnat producera extremt detaljerade jordbävningskataloger, inklusive ett stort antal små jordbävningar som missats av analytiker – men deras mönstermatchande algoritmer fungerar bara i regionen som tillhandahåller träningsdata.

Med Earthquake Transformer körs på en enkel dator, analys som vanligtvis skulle ta månader av expertarbete slutfördes inom 20 minuter. Den hastigheten möjliggörs av algoritmer som söker efter förekomsten av en jordbävning och tidpunkten för de seismiska faserna i tandem, använda information från varje sökning för att begränsa lösningen för de andra.

"Earthquake Transformer får många fler jordbävningar än andra metoder, oavsett om det är människor som sitter och försöker analysera saker genom att titta på vågformerna, eller äldre datormetoder, " sa Ellsworth. "Vi får en mycket djupare titt på jordbävningsprocessen, och vi gör det mer effektivt och exakt."

Forskarna tränade och testade Earthquake Transformer på historiska data, men tekniken är redo att flagga små jordbävningar nästan så snart de inträffar. Enligt Beroza, "Jordbävningsövervakning med maskininlärning i nästan realtid kommer mycket snart."