Amerikanske og britiske geologer har oprettet et nyt kunstigt intelligenssystem, der er i stand til at forudsige jordskælv og har med succes testet det i en jordskælvsimulator i laboratoriet, ifølge en artikel offentliggjort i tidsskriftet GRL.
”For første gang har vi været i stand til at bruge et maskinlæringssystem til at analysere akustiske data og forudsige et jordskælv længe før det faktisk sker. Dette giver os mulighed for at få tid nok til at advare og evakuere befolkningen rettidigt. Det er utroligt, hvilke muligheder kunstig intelligens giver os,”sagde Colin Humphries fra University of Cambridge.
Jordskælv og andre farlige katastrofer forbundet med det indre af Jorden forekommer oftest ved grænserne for fejl mellem tektoniske plader, hvis bevægelse ofte hindres af uregelmæssigheder ved deres kanter. Når pladenes bevægelse stopper, akkumuleres potentiel energi på deres kontaktpunkt, som kan frigøres i form af varme og kraftige udbrud af akustiske bølger i det øjeblik, hvor klipperne i disse uregelmæssigheder ikke kan modstå og bryde.
Forskere har længe forsøgt at forstå, hvilke processer der styrer akkumuleringen af denne energi, og de er også på udkig efter måder at "se gennem" det indre af Jorden, så vi kan lære om udseendet af sådanne zoner med tektonisk stress og forudsige med deres egenskaber sandsynligheden, styrken og timingen for nye rysten.
På trods af enorme fremskridt på dette område er sådanne forudsigelser stadig ekstremt unøjagtige, hvilket ofte giver anledning til tvister mellem forskere og politikere, der ikke kan lide tvetydighed. F.eks. Modtog seismologer, der forkert forudsagede omfanget af jordskælvet i L'Aquila i Italien i 2009 reelle fængselsstraffe for "fejlagtig information" om befolkningen og døden af omkring tre hundrede mennesker. Dette demotiverer seismologer og andre videnskabsfolk yderligere til at fremsætte specifikke forudsigelser for fremtiden.
Ifølge Humphreys er en af grundene til, at de nuværende forudsigelser om jordskælv er unøjagtige eller forkerte, at seismografer og andre observationsindretninger modtager utallige signaler, hvoraf kun nogle er forbundet med akkumulering af energi ved grænserne for fejl, mens andre genereres af andre fænomener., ikke på nogen måde forbundet med tektoniske processer.
I nogle tilfælde kan disse "forhindringer" udslettes - og så er prognosen ganske nøjagtig, og i andre tilfælde, som katastrofen i 2009, ender fiasko i denne henseende på en uforudsigelig måde.
Lignende problemer, som Humphries og hans kolleger bemærkede, løses i dag af repræsentanter for en helt anden videnskab - computeringeniører, der udvikler forskellige systemer for maskinlæring og kunstig intelligens. Et vigtigt træk ved moderne neurale netværk er, at de kan analysere meget “beskidte” data og finde i dem, hvad der kræves for at løse et problem: for eksempel at sortere fotografier af katte og hunde eller at genkende tale i et støjende rum.
Salgsfremmende video:
Vejledt af denne idé har forskere oprettet en speciel "jordskælvemulator" på Los Alamos National Laboratory i USA, der fuldstændigt simulerer, hvad der sker i fejlene, når nye rysten bliver født, og brugte det til at lære det neurale netværk at "se" sporene efter fremtidige jordskælv. i datasættet, som seismografer samler.
Efter nogen tid lærte maskinen at korrekt forudsige "laboratorie" jordskælv med en meget høj grad af nøjagtighed og pålidelighed - dette ifølge forskere viser, at lignende metoder kan bruges til at forudsige den reelle seismiske situation. På den anden side kan den aktuelle algoritme sandsynligvis endnu ikke bruges til disse formål, da den blev "trænet" ikke på rigtige data, men på deres efterligning, og dens forudsigelser kan derfor være ret unøjagtige, når de arbejder i marken.