Kunstig intelligens som revolusjonerer jordskjelvvarsling i Japan
Japanske seismologar nyttar kunstig intelligens (AI) for å auke nøyaktigheita i jordskjelvvarsling. Dei har trent opp eit nevralt nettverk ved hjelp av ein omfattande katalog som simulerte seismisk aktivitet over 900 år for å forstå AI sine dataanalyseevner. Imponerande nok var laboratorievarslingar av jordskjelv frå AI forbløffande presise, heilt ned til berre nokre få timar før dei største seismiske hendingane.
Tradisjonelt har det vore enorme utfordringar med å forutsjå jordskjelv på grunn av dei gåtefulle mønstrene dei viser og den avgrensa historiske datamengda. Likevel har maskinlæringssystem no kome fram som effektive verktøy, i stand til å skilje ut forvarselssignal innan det som tidlegare vart avfeia som støy. Særleg har desse systema klart dette utan kjennskap til tidlegare jordskjelv, og berre basert på realtids fysiske eigenskapar.
Sjølv om ideen om å bruke nevrale nettverk for å førebu seg på reelle feilbevegelsar framleis er tidleg, hovudsakleg på grunn av behovet for detaljerte, kortsiktige analyser og dei lange periodane som vanlegvis kjem mellom jordskjelva, har forskarar ikkje gitt opp. No siktar dei seg inn på korleis AI fungerer med katalogar av «falske feil», som viser forståelege årsaker til at dei oppstår.
Eit forskningsteam basert i Kyoto gjennomførte eit prosjekt med 18 000 modellerte jordskjelv, der aukande hyppigheit av førsjokkane umiddelbart førekom føre større jordskjelv. Publisert i Geophysical Research Letters, konsentrerte studien seg om korleis nevrale nettverk skulle vurdere tidspunktet for desse hovudskakningane.
AI, sjølv med avgrensa jordskjelvdata, kunne forutsjå dei nært foreståande hovudskakningane med merkbar nøyaktigheit, spesielt når hendinga nærma seg. Likevel minka nøyaktigheita når tilnærminga vart brukt på større datasett og lengre tidsrammer. Den mest effektive modellen balanserte, inkorporerte både lange prosessar og korte sekvensar, og oppnådde imponerande 0,89 nøyaktigheit på ein skala der 1,00 er perfekt.
Seismologane spekulerer i at nevrale nettverk si suksess i prognostiseringa kjem frå å analysere utviklingen og gjentakinga av seismisk impuls. Endå viktigare, avslørte forskinga at utover ein viss terskel auka størrelsen på datasetta ikkje nøyaktigheita proporsjonalt, og antydde ei platå i AI si prognostiserande kapasitet.
Denne AI-treningsmetoden demonstrerer høgpresis prognostisering både for tiårslange forvarslingsprognoser og i dei kritiske timane og minutta som leier opp mot signifikant seismisk aktivitet. Tilleggsforsøk i reelle scenarier med betydeleg mindre data er avgjerande for å stadfeste AI sin effektivitet, særleg med omsyn til at desse forsøka vart utført på eit enkelt, 2,4 km djupt feilskjær.
Bruken av AI i førehandsmodellering er ikkje berre avgrensa til seismologi. Til dømes har selskap som Waymo brukt nevralt nettverkstrening ved hjelp av simulerte «kjøreopplevingar» som liknar på desse seismiske eksperimenta. Men kompleksiteten i reelle bruksområde tyder at fullt autonome køyretøy framleis krev fjern menneskeleg inngriping i krevjande scenarier.