Logo mybusinessculture.com

AI Hilft Seismologen Bei Der Vorhersage Von Erdbeben

AI Hilft Seismologen Bei Der Vorhersage Von Erdbeben
AI Hilft Seismologen Bei Der Vorhersage Von Erdbeben
Anonim

Nach einem 13-monatigen Schlaf im Mai letzten Jahres wurde der Boden unter Washingtons Puget Sound zum Leben erweckt. Das Beben begann mehr als 32 km unterhalb der olympischen Berge und driftete im Laufe einiger Wochen nach Nordwesten, um Kanadas Vancouver Island zu erreichen. Es kehrte dann kurz den Kurs um und wanderte über die US-Grenze zurück, bevor es wieder still wurde. Alles in allem setzte das monatelange Erdbeben wahrscheinlich genug Energie frei, um eine Stärke von 6 zu erreichen. Bis es fertig war, war die Südspitze von Vancouver Island etwa einen Zentimeter näher an den Pazifischen Ozean herangeschoben worden.

Nachdruck der Originalgeschichte mit Genehmigung des Quanta Magazine, einer redaktionell unabhängigen Veröffentlichung der Simons Foundation, deren Aufgabe es ist, das Verständnis der Öffentlichkeit für die Wissenschaft zu verbessern, indem Forschungsentwicklungen und -trends in den Bereichen Mathematik, Physik und Biowissenschaften behandelt werden.

Da das Beben jedoch so zeitlich und räumlich verteilt war, ist es wahrscheinlich, dass niemand es spürte. Diese Arten von Phantombeben, die tiefer unter der Erde auftreten als herkömmliche, schnelle Erdbeben, werden als „langsame Ausrutscher“bezeichnet. Sie treten etwa einmal im Jahr im pazifischen Nordwesten entlang einer Verwerfungsstrecke auf, an der sich die Juan de Fuca-Platte langsam verkeilt unter der nordamerikanischen Platte. Seit 2003 wurden mehr als ein Dutzend langsame Ausrutscher im ausgedehnten Netz seismischer Stationen in der Region festgestellt. In den letzten eineinhalb Jahren standen diese Ereignisse im Mittelpunkt neuer Bemühungen des Geophysikers Paul Johnson um Erdbebenvorhersage.

Johnsons Team gehört zu einer Handvoll von Gruppen, die maschinelles Lernen einsetzen, um die Erdbebenphysik zu entmystifizieren und die Warnsignale drohender Beben zu beseitigen. Vor zwei Jahren haben er und seine Mitarbeiter mithilfe von Pattern-Finding-Algorithmen, die den jüngsten Fortschritten bei der Bild- und Spracherkennung und anderen Formen der künstlichen Intelligenz ähneln, erfolgreich Temblors in einem Modelllaborsystem vorhergesagt - ein Kunststück, das seitdem von Forschern in dupliziert wurde Europa.

In einem Artikel, der diese Woche auf der wissenschaftlichen Preprint-Site arxiv.org veröffentlicht wurde, berichten Johnson und sein Team, dass sie ihren Algorithmus im pazifischen Nordwesten an Beben mit langsamen Schlupf getestet haben. Das Papier muss noch einer Peer Review unterzogen werden, aber externe Experten sagen, dass die Ergebnisse verblüffend sind. Laut Johnson deuten sie darauf hin, dass der Algorithmus den Beginn eines langsamen Erdbebens auf „innerhalb weniger Tage - und möglicherweise besser“vorhersagen kann.

"Dies ist eine aufregende Entwicklung", sagte Maarten de Hoop, ein Seismologe an der Rice University, der nicht an der Arbeit beteiligt war. "Zum ersten Mal denke ich, dass es einen Moment gibt, in dem wir wirklich Fortschritte machen" in Richtung Erdbebenvorhersage.

Mostafa Mousavi, Geophysiker an der Stanford University, bezeichnete die neuen Ergebnisse als „interessant und motivierend“. Er, de Hoop und andere auf dem Gebiet betonen, dass maschinelles Lernen noch einen weiten Weg vor sich hat, um katastrophale Erdbeben zuverlässig vorhersagen zu können - und einige davon Hürden zu überwinden kann schwierig, wenn nicht unmöglich sein. Dennoch ist maschinelles Lernen in einem Bereich, in dem Wissenschaftler jahrzehntelang Probleme hatten und nur wenige Hoffnungsschimmer erlebten, möglicherweise die beste Wahl.

Sticks und Slips

Der verstorbene Seismologe Charles Richter, nach dem die Richterskala benannt ist, stellte 1977 fest, dass die Erdbebenvorhersage "ein glückliches Jagdrevier für Amateure, Trottel und geradezu publikumsuchende Fälscher" sein kann. Heute werden Ihnen viele Seismologen sagen, dass sie es sind habe ihren gerechten Anteil von allen dreien gesehen.

Es hat aber auch angesehene Wissenschaftler gegeben, die Theorien aufgestellt haben, die im Nachhinein kläglich fehlgeleitet, wenn nicht geradezu verrückt erscheinen. Da war der Geophysiker Panayiotis Varotsos von der Universität Athen, der behauptete, er könne drohende Erdbeben durch Messung „seismischer elektrischer Signale“erkennen. Da war Brian Brady, der Physiker vom US Bureau of Mines, der in den frühen 1980er Jahren in Peru nacheinander Fehlalarme auslöste. Die Vermutung, dass in unterirdischen Minen Gesteinsbrüche stattfanden, war ein verräterisches Zeichen für ein bevorstehendes Beben.

Paul Johnson ist sich dieser wechselvollen Geschichte bewusst. Er weiß, dass der bloße Ausdruck „Erdbebenvorhersage“in vielen Bereichen tabu ist. Er kennt die sechs italienischen Wissenschaftler, die 2012 wegen Totschlags verurteilt wurden, weil sie die Wahrscheinlichkeit eines Erdbebens in der Nähe der zentralitalienischen Stadt L'Aquila heruntergespielt hatten, wenige Tage bevor die Region von einem Zittern der Stärke 6, 3 heimgesucht wurde. (Die Verurteilungen wurden später aufgehoben.) Er weiß um die prominenten Seismologen, die mit Nachdruck erklärt haben, dass „Erdbeben nicht vorhergesagt werden können“.

Aber Johnson weiß auch, dass Erdbeben physikalische Vorgänge sind, die sich in dieser Hinsicht nicht vom Einsturz eines sterbenden Sterns oder der Verlagerung der Winde unterscheiden. Und obwohl er betont, dass sein Hauptziel darin besteht, die Fehlerphysik besser zu verstehen, hat er sich nicht vor dem Vorhersageproblem gescheut.

ein Mann
ein Mann

Vor mehr als einem Jahrzehnt begann Johnson, „Laborerdbeben“zu untersuchen, die mit Gleitblöcken hergestellt wurden, die durch dünne Schichten körnigen Materials voneinander getrennt waren. Wie bei tektonischen Platten gleiten die Blöcke nicht reibungslos, sondern in Anfällen und Anläufen: Sie haften in der Regel sekundenlang aneinander und werden durch Reibung an Ort und Stelle gehalten, bis die Scherbeanspruchung so groß wird, dass sie plötzlich verrutschen. Dieser Ausrutscher - die Laborversion eines Erdbebens - löst den Stress und der Stick-Slip-Zyklus beginnt von neuem.

Als Johnson und seine Kollegen das während dieser Stick-Slip-Zyklen abgegebene akustische Signal aufzeichneten, bemerkten sie kurz vor jedem Schlupf scharfe Spitzen. Diese Vorläuferereignisse entsprachen im Labor den seismischen Wellen, die durch Vorbeben vor einem Erdbeben erzeugt wurden. Doch genau wie Seismologen Mühe hatten, Vorbeben in Prognosen über das Auftreten des Hauptbebens umzusetzen, konnten Johnson und seine Kollegen nicht herausfinden, wie die Vorläuferereignisse in zuverlässige Prognosen für Laborbeben umgewandelt werden können. "Wir waren irgendwie in einer Sackgasse", erinnerte sich Johnson. "Ich konnte keinen Weg sehen, um fortzufahren."

Bei einem Treffen vor einigen Jahren in Los Alamos erklärte Johnson einer Gruppe von Theoretikern sein Dilemma. Sie schlugen vor, dass er seine Daten mithilfe von maschinellem Lernen erneut analysiert - ein Ansatz, der zu diesem Zeitpunkt für seine Fähigkeit bekannt war, Muster in Audiodaten zu erkennen.

Gemeinsam haben die Wissenschaftler einen Plan entwickelt. Sie nahmen die ungefähr fünf Minuten Audio, die während jedes experimentellen Durchlaufs aufgezeichnet wurden - einschließlich etwa 20 Stick-Slip-Zyklen - und zerlegten sie in viele winzige Segmente. Für jedes Segment berechneten die Forscher mehr als 80 statistische Merkmale, einschließlich des Mittelsignals, der Abweichung von diesem Mittelwert und Informationen darüber, ob das Segment ein Vorläuferereignis enthielt. Da die Forscher die Daten im Nachhinein analysierten, wussten sie auch, wie viel Zeit zwischen den einzelnen Tonsegmenten und dem anschließenden Ausfall des Laborfehlers vergangen war.

Ausgerüstet mit diesen Trainingsdaten suchten sie mithilfe eines sogenannten maschinellen Lernalgorithmus für zufällige Gesamtstrukturen systematisch nach Kombinationen von Funktionen, die in engem Zusammenhang mit der verbleibenden Zeit vor dem Ausfall standen. Nachdem einige Minuten lang experimentelle Daten vorliegen, könnte der Algorithmus beginnen, die Ausfallzeiten allein auf der Grundlage der Merkmale der Schallemission vorherzusagen.

Johnson und seine Mitarbeiter entschieden sich für die Verwendung eines Random Forest-Algorithmus, um die Zeit vor dem nächsten Ausrutscher vorherzusagen, zum Teil, weil Random Forest-Algorithmen im Vergleich zu neuronalen Netzen und anderen gängigen Algorithmen für maschinelles Lernen relativ einfach zu interpretieren sind. Der Algorithmus funktioniert im Wesentlichen wie ein Entscheidungsbaum, in dem jeder Zweig den Datensatz nach statistischen Merkmalen aufteilt. Der Baum bewahrt somit eine Aufzeichnung darüber, welche Merkmale der Algorithmus zur Erstellung seiner Vorhersagen verwendet - und welche relative Bedeutung jedes Merkmal für die Ermittlung dieser Vorhersagen durch den Algorithmus hat.

eine Linse
eine Linse

Als die Forscher von Los Alamos das Innenleben ihres Algorithmus untersuchten, überraschten sie, was sie gelernt hatten. Das statistische Merkmal, auf das sich der Algorithmus für seine Vorhersagen am stärksten stützte, hing nicht mit den Vorläuferereignissen unmittelbar vor einem Beben im Labor zusammen. Es war vielmehr die Varianz - ein Maß dafür, wie das Signal um den Mittelwert schwankt - und sie wurde während des gesamten Stick-Slip-Zyklus gesendet, nicht nur in den Momenten unmittelbar vor dem Ausfall. Die Varianz würde klein anfangen und dann während des Vorlaufs zu einem Beben allmählich ansteigen, vermutlich weil die Körner zwischen den Blöcken unter der zunehmenden Scherbeanspruchung gegeneinander stießen. Nur durch die Kenntnis dieser Varianz könnte der Algorithmus eine gute Vermutung anstellen, wann ein Schlupf auftreten würde; Informationen über Vorläuferereignisse halfen dabei, diese Vermutungen zu verfeinern.

Der Befund hatte große potenzielle Auswirkungen. Über Jahrzehnte hatten potenzielle Erdbebenprognostiker Vorbeben und andere isolierte seismische Ereignisse beobachtet. Das Los Alamos-Ergebnis deutete darauf hin, dass alle am falschen Ort gesucht hatten - der Schlüssel zur Vorhersage lag stattdessen in den subtileren Informationen, die während der relativ ruhigen Zeiträume zwischen den großen seismischen Ereignissen gesendet wurden.

Gewiss, Gleitsteine fangen nicht an, die chemische, thermische und morphologische Komplexität echter geologischer Verwerfungen zu erfassen. Um zu zeigen, dass maschinelles Lernen reale Erdbeben vorhersagen konnte, musste Johnson es an einem realen Fehler testen. Wo könnte man das besser machen als im pazifischen Nordwesten?

Raus aus dem Labor

Die meisten, wenn nicht alle Orte auf der Erde, an denen ein Erdbeben der Stärke 9 auftreten kann, sind Subduktionszonen, in denen eine tektonische Platte unter einer anderen taucht. Eine Subduktionszone östlich von Japan war für das Erdbeben von Tohoku und den darauf folgenden Tsunami verantwortlich, der die Küste des Landes 2011 verwüstete. Eines Tages wird die Subduktionszone von Cascadia, in der die Juan de Fuca-Platte unter der nordamerikanischen Platte abtaucht, Puget in ähnlicher Weise verwüsten Sound, Vancouver Island und der umliegende pazifische Nordwesten.

Eine Landkarte
Eine Landkarte

Die Cascadia-Subduktionszone erstreckt sich rund 1.000 Kilometer entlang der Pazifikküste vom Kap Mendocino in Nordkalifornien bis nach Vancouver Island. Als es im Januar 1700 das letzte Mal durchbrach, zeugte es von einem Zittern der Stärke 9 und einem Tsunami, der die Küste Japans erreichte. Geologische Aufzeichnungen deuten darauf hin, dass im gesamten Holozän etwa alle halben Jahrtausende, einige hundert Jahre oder länger, solche Mega-Beben aufgetreten sind. Statistisch gesehen ist das nächste große Jahrhun- dert fällig.

Das ist einer der Gründe, warum Seismologen den langsamen Erdbeben in der Region so große Aufmerksamkeit geschenkt haben. Es wird angenommen, dass die langsamen Ausrutscher im Unterlauf eines Subduktionszonenfehlers geringe Mengen an Spannung auf die darüber liegende spröde Kruste übertragen, wo schnelle, katastrophale Beben auftreten. Mit jedem langsamen Ausrutscher in der Region Puget Sound-Vancouver Island steigt die Wahrscheinlichkeit eines pazifischen Nordwest-Mega-Bebens leicht an. In der Tat wurde in Japan im Monat vor dem Beben in Tohoku ein langsamer Rückgang beobachtet.

Für Johnson gibt es jedoch einen weiteren Grund, langsamen Erdbeben Beachtung zu schenken: Sie produzieren viele, viele Daten. Zum Vergleich: Auf der Strecke zwischen Puget Sound und Vancouver Island gab es in den letzten 12 Jahren keine größeren schnellen Erdbeben. In derselben Zeitspanne hat der Fehler ein Dutzend langsamer Ausrutscher hervorgebracht, von denen jeder in einem detaillierten seismischen Katalog verzeichnet ist.

Dieser seismische Katalog ist das reale Gegenstück zu den akustischen Aufzeichnungen aus Johnsons Laborerdbebenexperiment. Genau wie bei den akustischen Aufzeichnungen haben Johnson und seine Mitarbeiter die seismischen Daten in kleine Segmente zerlegt und jedes Segment mit einer Reihe statistischer Merkmale charakterisiert. Diese Trainingsdaten und Informationen über den Zeitpunkt vergangener Slow-Slip-Ereignisse führten sie dann ihrem maschinellen Lernalgorithmus zu.

Nachdem der Algorithmus auf Daten von 2007 bis 2013 trainiert worden war, konnte er anhand der Daten, die in den Monaten vor jedem Ereignis aufgezeichnet wurden, Vorhersagen über langsame Ausrutscher zwischen 2013 und 2018 treffen. Das Schlüsselmerkmal war die seismische Energie, eine Größe, die eng mit der Varianz des akustischen Signals in den Laborversuchen zusammenhängt. Wie die Varianz stieg auch die seismische Energie im Vorfeld jedes langsamen Schlupfes auf charakteristische Weise an.

Die Cascadia-Vorhersagen waren nicht ganz so genau wie die für Laborbeben. Die Korrelationskoeffizienten, die charakterisieren, wie gut die Vorhersagen zu den Beobachtungen passen, waren in den neuen Ergebnissen wesentlich niedriger als in der Laborstudie. Der Algorithmus war jedoch in der Lage, alle bis auf einen der fünf langsamen Ausrutscher, die zwischen 2013 und 2018 auftraten, vorherzusagen und die Startzeiten innerhalb weniger Tage zu bestimmen, so Johnson. (Ein langsamer Ausrutscher, der im August 2019 auftrat, wurde in der Studie nicht berücksichtigt.)

Für de Hoop bedeutet dies: „Durch Techniken des maschinellen Lernens haben wir einen Korridor erhalten, einen Einstieg in die Suche nach Daten, um nach Dingen zu suchen, die wir noch nie identifiziert oder gesehen haben.“Er warnt jedoch davor, dass noch mehr zu tun ist. „Ein wichtiger Schritt wurde getan - ein äußerst wichtiger Schritt. Aber es ist wie ein kleiner Schritt in die richtige Richtung. “

Ernüchternde Wahrheiten

Das Ziel der Erdbebenprognose war es nie, langsame Ausrutscher vorherzusagen. Es geht vielmehr darum, plötzliche, katastrophale Beben vorherzusagen, die eine Gefahr für Leib und Leben darstellen. Für den Ansatz des maschinellen Lernens stellt dies ein scheinbares Paradox dar: Die größten Erdbeben, die Seismologen am liebsten voraussagen würden, sind auch die seltensten. Wie kann ein Algorithmus für maschinelles Lernen jemals genug Trainingsdaten erhalten, um sie mit Sicherheit vorherzusagen?

Die Los Alamos-Gruppe setzt darauf, dass ihre Algorithmen nicht unbedingt auf katastrophale Erdbeben trainieren müssen, um sie vorherzusagen. Jüngste Studien deuten darauf hin, dass die seismischen Muster vor kleinen Erdbeben statistisch denjenigen ihrer größeren Pendants ähneln und dass an einem bestimmten Tag Dutzende kleiner Erdbeben bei einem einzelnen Fehler auftreten können. Ein Computer, der auf Tausenden dieser kleinen Temblors trainiert ist, ist möglicherweise vielseitig genug, um die großen vorauszusagen. Algorithmen für maschinelles Lernen könnten auch in der Lage sein, Computersimulationen schneller Erdbeben zu trainieren, die eines Tages als Stellvertreter für reale Daten dienen könnten.

Die Wissenschaftler werden sich jedoch mit dieser ernüchternden Wahrheit auseinandersetzen: Obwohl die physikalischen Prozesse, die einen Fehler an den Rand eines Erdbebens treiben, vorhersehbar sein können, ist die tatsächliche Auslösung eines Bebens - das Anwachsen einer kleinen seismischen Störung zu einem vollständigen Fehlerbruch - wird von den meisten Wissenschaftlern angenommen, dass sie mindestens ein Element der Zufälligkeit enthalten. Vorausgesetzt, das ist so, egal wie gut die Maschinen trainiert sind, sie können möglicherweise niemals Erdbeben vorhersagen, ebenso wie Wissenschaftler andere Naturkatastrophen vorhersagen.

"Wir wissen noch nicht, was Prognosen in Bezug auf das Timing bedeuten", sagte Johnson. „Wäre es wie ein Hurrikan? Nein, das glaube ich nicht. “

Im besten Fall haben Vorhersagen von großen Erdbeben wahrscheinlich Zeitgrenzen von Wochen, Monaten oder Jahren. Solche Vorhersagen könnten wahrscheinlich nicht dazu verwendet werden, eine Massenevakuierung am Vorabend eines Zitterns zu koordinieren. Sie könnten jedoch die Bereitschaft der Öffentlichkeit erhöhen, Beamten dabei helfen, unsichere Gebäude gezielt nachzurüsten und die Gefahren katastrophaler Erdbeben auf andere Weise zu mindern.

Empfohlen:

Tipp Der Redaktion