تشخیص مکان وقوع پس‌ لرزه ها با استفاده از هوش مصنوعی

پس‌لرزه‌های بعد از یک زلزله‌ی مخرب، اغلب می‌توانند به اندازه‌ی رویداد اصلی وحشتناک باشند. دانستن اینکه چه چیزی قرار است در آینده اتفاق بیفتد، می‌تواند موضوع زندگی یا مرگ جوامعی باشد که دچار یک زلزله‌ی بزرگ شده‌اند. پس‌لرزه‌ها اغلب موجب آسیب‌ها و تلفات بیشتر و نیز تخریب ساختمان‌ها شده و عملیات نجات را با دشواری مواجه می‌کنند. گروهی از پژوهشگران دانشگاه هاروارد حجم وسیعی از داده‌ها را برای بخش آموزش هوش مصنوعی به کار بردند و از یادگیری عمیق برای ایجاد پیش‌بینی‌های دقیق استفاده کردند. این سیستم اگرچه هنوز قابلیت استفاده شدن را ندارد ولی از مدل‌های موجود در تعیین دقیق مکان پس‌لرزه‌ها قابل اعتمادتر است. در سال‌های پیش رو این سیستم می‌تواند تبدیل به بخشی حیاتی از سیستم‌های پیش‌بینی مورد استفاده توسط زلزله‌شناسان شود. برندن مید از دانشگاه هاروارد می‌گوید:

سه موضوع وجود دارد که شما می‌خواهید درمورد هر زمین‌لرزه بدانید: آن‌ها چه زمانی اتفاق می‌افتند، شدت آن‌ها چقدر خواهد بود و کجا اتفاق خواهند افتاد. ما یک قانون تجربی در مورد اینکه چه زمانی زمین‌لرزه‌ها اتفاق می‌افتند و اینکه اندازه‌ی آن‌ها چقدر خواهد بود، داشتیم و اکنون داریم روی این موضوع کار می‌کنیم که محل وقوع زمین‌لرزه‌ها کجا خواهد بود.

یادگیری ماشین تنها یکی از جنبه‌های هوش مصنوعی است و دقیقا همان چیزی است که به نظر می‌رسد: ماشین‌های یادگیرنده از مجموعه‌ی داده‌ها، بنابراین آن‌ها می‌توانند بر مشکلات جدیدی که به‌طور خاص برای مواجهه با آن برنامه‌ریزی نشده‌اند، نیز غلبه کنند. یادگیری عمیق نوع پیشرفته‌تری از یادگیری ماشین است که از شبکه‌های عصبی برای تقلید فرایندهای تفکر موجود در مغز استفاده می‌کند. به عبارت ساده یعنی هوش مصنوعی می‌تواند در زمان واحد، نتایج محتمل بیشتری را ببیند و نقشه‌ای پیچیده‌تر از عوامل و ملاحظات مختلف را ارزیابی کند؛ چیزی شبیه سیستم نورون‌های مغز. این امر به خصوص درمورد زمین‌لرزه‌ها مناسب است. در مورد زمین‌لرزه‌ها، متغیرهای زیادی مانند شدت لرزه و موقعیت صفحات تکتونیکی و نیز نوع زمینی که درگیر حادثه است، وجود دارد که باید در نظر گرفته‌شود. یادگیری عمیق می‌تواند الگوهایی را نشان دهد که تحلیل‌گران انسانی هرگز قادر به کشف آن نیستند.

برای اینکه از این سیستم درمورد زمین‌لرزه‌ها استفاده شود، مید و همکارانش یک پایگاه داده‌ای با بیش از ۱۳۱ هزار زلزله و پس لرزه‌های همراه را که مربوط به ۱۹۹ زمین‌لرزه بود، استفاده کردند. پس از انجام بخش آموزش، با استفاده از ۳۰ هزار داده‌ی مربوط به زمین‌لرزه‌ی اصلی و پس‌لرزه‌ها، دقت این سیستم را در پیش‌بینی مکان پس لرزه‌ها در واحد نقشه‌ای ۵ کیلوکتر مربعی ارزیابی کردند. از لحاظ دقت پیش‌بینی، نتایج حاصله از نتایج مدل کلمب که در حال حاضر استفاده می‌شود، بهتر بود. دوریس یکی از پژوهشگران مطالعه می‌گوید:

پیش‌بینی پس‌لرزه‌ها چالشی است که روش یادگیری ماشین برای حل آن مناسب است زیرا پدیده‌های فیزیکی بسیاری وجود دارند که می‌توانند رفتار پس‌لرزه‌ها را متاثر کنند و یادگیری ماشین در کشف این روابط بسیار خوب عمل می‌کند.

یکی از عناصر کلیدی در این زمینه، در نظر گرفتن شاخص تسلیم فون میسز در الگوریتم‌های هوش مصنوعی است؛ محاسبه‌ای که می‌تواند پیش‌بینی کند چه زمانی مواد تحت فشار خواهند شکست. تا قبل از این، این سنجه که در حوزه‌هایی نظیر متالوژی کاربرد دارد، به طور گسترده در مدل‌سازی زمین‌لرزه‌ها استفاده نشده بود.

پژوهشگران معتقدند هنوز راه درازی برای پیمودن وجود دارد. مدل‌های هوش مصنوعی فعلی طوری طراحی شده‌اند که تنها نوع ساده‌ای از زمین‌لرزه‌ها را در نظر می‌گیرند و هنوز به سیستمی که بتواند در مورد هر نوع زمین‌لرزه‌ای در جهان استفاده شود، تبدیل نشده‌اند. علاوه بر این، در حال حاضر این سیستم در پیش‌بینی پس‌لرزه‌های مرگباری که طی یکی دو روز پس از زمین‌لرزه اصلی اتفاق می‌افتند، بسیار آهسته عمل می‌کند. البته نقطه‌ی قوت این سیستم این است که شبکه‌های عصبی طوری طراحی شده‌اند که با گذشت زمان بهتر می‌شوند یعنی با ورود داده‌های بیشتر و چرخه‌های یادگیری بیشتر، سیستم به طور پیوسته بهبود خواهد یافت.

این پژوهش در ژورنال Nature منتشر شده‌است.