Des géologues américains et britanniques ont créé un nouveau système d'intelligence artificielle capable de prédire les tremblements de terre et l'ont testé avec succès dans un simulateur de tremblement de terre de laboratoire, selon un article publié dans la revue GRL.
«Pour la première fois, nous avons pu utiliser un système d'apprentissage automatique pour analyser les données acoustiques et prédire un tremblement de terre bien avant qu'il ne se produise. Cela nous permet de disposer de suffisamment de temps pour avertir et évacuer la population en temps opportun. C'est incroyable les opportunités que nous offre l'intelligence artificielle », a déclaré Colin Humphries de l'Université de Cambridge.
Les tremblements de terre et autres cataclysmes dangereux associés à l'intérieur de la Terre se produisent le plus souvent aux limites des failles entre les plaques tectoniques, dont le mouvement est souvent entravé par des irrégularités à leurs bords. Lorsque le mouvement des plaques s'arrête, l'énergie potentielle s'accumule au point de leur contact, qui peut être libérée sous forme de chaleur et de puissants éclats d'ondes acoustiques au moment où les roches dans ces irrégularités ne peuvent pas résister et se briser.
Les scientifiques tentent depuis longtemps de comprendre quels processus contrôlent l'accumulation de cette énergie et cherchent également des moyens de «voir à travers» l'intérieur de la Terre afin que nous puissions en apprendre davantage sur l'apparition de ces zones de stress tectonique et prédire par leurs propriétés la probabilité, la force et le temps de nouveaux tremblements.
Malgré d'énormes progrès dans ce domaine, de telles prévisions sont encore extrêmement inexactes, ce qui donne souvent lieu à des différends entre scientifiques et politiciens qui n'aiment pas l'ambiguïté. Par exemple, les sismologues qui avaient mal prédit l'ampleur du tremblement de terre à L'Aquila en Italie en 2009 ont été condamnés à de vraies peines de prison pour "désinformation" de la population et la mort d'environ trois cents personnes. Cela démotive davantage les sismologues et autres scientifiques pour qu'ils fassent des prédictions spécifiques pour l'avenir.
Selon Humphreys, l'une des raisons pour lesquelles les prévisions sismiques actuelles sont inexactes ou erronées est que les sismographes et autres dispositifs d'observation reçoivent d'innombrables signaux, dont certains seulement sont associés à l'accumulation d'énergie aux limites des failles, tandis que d'autres sont générés par d'autres phénomènes., sans aucun lien avec les processus tectoniques.
Dans certains cas, ces «obstacles» peuvent être éliminés - et alors la prévision est assez précise, et dans d'autres cas, comme la catastrophe de 2009, l'échec à cet égard se termine de manière imprévisible.
Des problèmes similaires, comme Humphries et ses collègues l'ont remarqué, sont aujourd'hui résolus par des représentants d'une science complètement différente - des ingénieurs en informatique qui développent divers systèmes d'apprentissage automatique et d'intelligence artificielle. Une caractéristique clé des réseaux de neurones modernes est qu'ils peuvent analyser des données très «sales» et y trouver ce qui est nécessaire pour résoudre un problème: par exemple, trier des photos de chats et de chiens ou reconnaître la parole dans une pièce bruyante.
Vidéo promotionelle:
Guidés par cette idée, les scientifiques ont créé un «émulateur de tremblement de terre» spécial au laboratoire national de Los Alamos aux États-Unis, qui simule complètement ce qui se passe dans les failles lorsque de nouveaux tremblements sont nés, et l'ont utilisé pour apprendre au réseau neuronal à «voir» les traces des futurs tremblements de terre. dans l'ensemble de données que les sismographes collectent.
Après un certain temps, la machine a appris à prédire correctement les tremblements de terre de «laboratoire» avec un très haut degré de précision et de fiabilité - cela, selon les scientifiques, montre que des méthodes similaires peuvent être utilisées pour prédire la situation sismique réelle. D'un autre côté, l'algorithme actuel, très probablement, ne peut pas encore être utilisé à ces fins, car il a été "entraîné" non pas sur des données réelles, mais sur leur imitation, et donc ses prédictions peuvent être plutôt inexactes lorsque l'on travaille sur le terrain.
