Sztuczna inteligencja pomoże przewidzieć katastrofalne skutki przyszłych trzęsień ziemi
Od lat 60. XX w. geofizycy próbują przewidywać trzęsienia ziemi, jak dotąd jednak bez powodzenia. Przewidywanie takiego zdarzenia wymaga bowiem obszernego mapowania i analizy właściwości skorupy ziemskiej. Rozwiązaniem tego problemu zajął się zespół badaczy skupionych wokół projektu F-IMAGE. Ich celem było opracowanie nowej technologii funkcjonalnego obrazowania kruchej skorupy ziemskiej po to, aby wyjaśnić nie tylko jej właściwości strukturalne, ale także dynamikę uskoków. W tym celu wykorzystali oni dostępne obserwacje sejsmiczne wysokiej jakości zapisane w dużych zbiorach danych. Wykorzystanie SI w ramach tego przedsięwzięcia miało kluczowe znaczenie dla probabilistycznej oceny zagrożenia sejsmicznego. „Sztuczna inteligencja umożliwia nam poznanie statystycznych zależności między tymi parametrami a zapisami przyspieszenia ruchu podłoża. SI może zatem w pełni wykorzystać duże zbiory danych do probabilistycznego opisu ruchu podłoża oczekiwanego dla konkretnego trzęsienia ziemi”, mówi Michel Campillo, francuski sejsmolog i koordynator projektu. Dzięki ocenie krótkoterminowej ewolucji uskoków (regionów, w których wystąpiły pęknięcia geologiczne, często związane z trzęsieniami ziemi i innymi zjawiskami tektonicznymi), możliwe staje się lepsze zrozumienie procesów fizycznych, które powodują poważne trzęsienia ziemi, przez co ocena ryzyka może być dokładniejsza.
Analiza nienadzorowana z pomocą sztucznej inteligencji
Nie byłoby to jednak możliwe bez wykorzystania narzędzi SI. „W tym ogromnym zbiorze danych, którego nie da się szczegółowo przeanalizować ręcznie, istnieją oczywiste sygnały, takie jak duże trzęsienia ziemi. My jednak zamierzamy pójść o krok dalej i skupić się na słabych sygnałach i ciągłych ruchach skał wchodzących w skład skorupy ziemskiej”, mówi Campillo. Zastosowanie uczenia głębokiego, poddziedziny SI, która wykorzystuje sztuczne sieci neuronowe do naśladowania sposobu interakcji neuronów w mózgu, opierając się na wielu warstwach przetwarzania, umożliwia skuteczne modelowanie złożonych relacji i wzorców w danych. Ponadto w ostatnich latach coraz częściej wykorzystuje się SI w celu trenowania maszyn w zakresie rozpoznawania trzęsień ziemi i bardzo szybkiego wykrywania ich oznak w dużych zbiorach danych. Jednak to, co wyróżnia projekt F-IMAGE, to zastosowane przez badaczy podejście, które opiera się na uczeniu nienadzorowanym, czyli rodzaju analizy danych bez oznaczonych danych szkoleniowych. „Pomysł ten polega na wykorzystaniu matematycznej reprezentacji sygnałów, która jest optymalna w tym sensie, że uwzględnia wiele właściwości w różnych skalach czasowych i pozwala na wyrażenie maksymalnej ilości informacji”, wyjaśnia koordynator projektu. Co więcej, informacje mogą być pozyskiwane bez żadnych wcześniejszych założeń, bez konieczności polegania wyłącznie na wyuczonych cechach. Dlatego też to podejście do eksploracji danych wykorzystuje narzędzia SI i wiedzę specjalistyczną, zwłaszcza w przypadku dużych zbiorów danych.
Rozwój metodyki
Oprócz rozwinięcia możliwości wykorzystania nienadzorowanego uczenia, zespół projektu opracował technikę wykrywania i lokalizowania niewielkich trzęsień ziemi. Metoda ta wykorzystuje dane z sieci czujników lub obserwatoriów i uwzględnia ograniczenia fizyczne, takie jak różnice w czasie rozprzestrzeniania się fal sejsmicznych przez Ziemię. Biorąc pod uwagę te właściwości i ograniczenia fizyczne, rozwiązania zaproponowane w ramach projektu zwiększają dokładność i skuteczność wykrywania i lokalizacji trzęsień ziemi. Aby poprawić możliwości w zakresie wykrywania trzęsień ziemi, naukowcy wprowadzili statystyczne etapy kwantyfikacji, które wywodzą się bezpośrednio z metod uczenia głębokiego i opierają się na dużych i dokładnie opisanych bazach danych. Projekt odegrał kluczową rolę w rozwoju technik wykorzystujących drgania sejsmiczne tła do tworzenia obrazów geologicznych cech Ziemi i ich zmian w czasie. „W ramach projektu F-IMAGE powstało innowacyjne podejście na potrzeby błyskawicznie rozwijającej się dziedziny sejsmologii. Koncentruje się na strefach uskoków i wykorzystuje różne postępy metodologiczne, takie jak wykorzystanie fal ciała, czerpanie wiedzy z wyników obrazowania akustycznego i optycznego, a także analizowanie wielokrotnie rozproszonej energii sejsmicznej”, mówi Campillo. Jest wiele możliwości zastosowania udoskonalonych rozwiązań metodologicznych, nad którym pracował Campillo wraz z zespołem w innych obszarach, jako że te innowacyjne techniki mogą być z powodzeniem stosowane w dziedzinach innych niż sejsmologia. Specjaliści zajmujący się medycyną oraz podmioty przemysłowe już wkrótce otrzymają okazję do czerpania korzyści z ulepszonego monitorowania i lepszych możliwości analizy danych.
Słowa kluczowe
F-IMAGE, SI, sztuczna inteligencja, trzęsienia ziemi, sejsmologia, ruch podłoża, uczenie głębokie, sejsmologia, dynamika uskoków
