Японские сейсмологи использовали нейросеть, обученную на обширном наборе данных, имитирующих сейсмическую активность, чтобы понять, как искусственный интеллект обрабатывает такую информацию. ИИ продемонстрировал высокую точность прогнозирования лабораторных землетрясений, определяя время главного толчка с точностью до часа.
Изучение и прогнозирование землетрясений является одним из ключевых направлений в геологии. Однако, из-за ограниченности исторических данных о землетрясениях и сложности выявления закономерностей, определяющих их возникновение, искусственный интеллект может оказаться полезным инструментом в таких исследованиях. Этот подход уже продемонстрировал свою результативность. Например, система машинного обучения, прослушивая акустический сигнал лабораторных землетрясений, научилась предсказывать толчки по данным, которые люди раньше принимали за шум. Примечательно, что она не знала о прошлых землетрясениях и основывалась на мгновенных физических характеристиках.
Несмотря на это, применение нейросетей для прогнозирования фактических разломов на данный момент преждевременно. Прежде всего, периоды между землетрясениями обычно составляют сотни и тысячи лет, в то время как для точных прогнозов требуется учет детализированных данных и коротких временных отрезков, включающих месяцы и дни.
Специалисты по землетрясениям до сих пор не выяснили, как именно система машинного обучения позволяет прогнозировать лабораторные землетрясения. Одним из возможных объяснений является анализ работы искусственного интеллекта при обработке данных о «искусственных разломах», возникающих вследствие известных факторов.
Японские ученые из Киото провели исследование, посвященное данной проблеме. Для этого они использовали каталог, содержащий данные о 18 тысячах землетрясений, полученные в результате моделирования сейсмической активности за 900 лет. Этот каталог ранее работали другие сейсмологи из Японии, которые установили, что крупные форшоки (предшествующие толчки) как раз перед мейншоками (главные удары) показывают характерное увеличение частоты. В новом исследовании, опубликованном в журнале Geophysical Research Letters, для оценки времени до основных толчков на основе ранее смоделированных землетрясений специалисты обратились к нейросети.
Авторы научной работы отнесли к форшокам все землетрясения, за исключением главных, поскольку в списке наблюдалось недостаточное количество афтершоков. Однако нейросеть не использовала такую классификацию, а анализировала данные с использованием классического и эффективного подхода к прогнозированию методом случайного леса. Затем исследователи проанализировали, как точность прогнозов зависит от объема используемых данных для обучения (интервала и количества толчков), и создали каталог смоделированных землетрясений, охватывающий двухтысячелетний период.
Анализ показал, что нейросеть, обученная на данных о нескольких землетрясениях, способна прогнозировать признаки предстоящего мейншока, если до него остается менее часа. Однако, данный метод слишком восприимчив к колебаниям, имитирующим мейншок, когда за короткое время происходит множество толчков. Таким образом, при увеличении периода наблюдения точность прогнозирования снижается.
Вместо этого, ИИ, использующий обширные наборы данных, испытывает затруднения в распознавании признаков скорого основного толчка, однако способен отображать общую тенденцию. Наилучшие результаты продемонстрировала модель со средним размером сети, поскольку она учитывает как длительные процессы, так и короткие последовательности. Точность такого прогноза достигла 0,89, где максимально возможное значение — 1,00.
Сейсмологи предполагают, что способность модели искусственного интеллекта предсказывать лабораторные землетрясения обусловлена анализом эволюции сейсмического импульса и интервала повторяемости толчков нейросетью. Увеличение объема данных, использованных для обучения, привело к ожидаемому результату. Точность предсказаний напрямую зависит от размера набора данных: чем он меньше, тем ниже точность. Однако, качество прогнозов не значительно улучшилось при анализе 115 циклов мейншоков (обширный каталог) по сравнению с 41 циклом (небольшой каталог). Авторы пришли к выводу, что нейросеть достигла своего предела.
Использование данного метода обучения ИИ позволяет с высокой точностью прогнозировать время наступления главного толчка. Прогнозы, полученные таким образом, эффективны как в масштабе десятилетий, предшествующих землетрясению, так и в интервале часов и минут, непосредственно предшествующих мейншоку.
В дальнейшем потребуется оценить эффективность модели при работе с реальными сейсмическими каталогами, которые часто содержат ограниченное количество данных (например, за несколько десятилетий). Кроме того, эксперименты проводились на одном разломе глубиной 2,4 километра, и остается неясным, сможет ли новая система функционировать в более сложных геологических условиях. В заключение, пока не установлено, будет ли подобная система эффективна при анализе данных о настоящих землетрясениях.
Waymo и другие компании, стремясь к созданию беспилотных автомобилей, уже применяли обучение нейронных сетей на программных симуляциях вождения, что напоминает лабораторные испытания землетрясений, описанные в недавней научной работе. Разработчики автономных транспортных средств полагали, что симуляция позволяет генерировать гораздо больший объем данных, чем реальное вождение, и это позволит их программному обеспечению более эффективно освоить управление автомобилем.
Оказалось, что симуляция вождения не воспроизводит всех нюансов реального вождения, поэтому на практике даже так называемые беспилотные автомобили по-прежнему нуждаются в удаленном контроле инженеров при возникновении критически сложных ситуаций.