• Maskininlärningsmodeller hittar tio gånger fler jordbävningar än tidigare metoder, inklusive mycket små skalv som människor missar.
• Teknikerna fungerar bättre i bullriga miljöer som städer och kräver mindre datorkraft än tidigare automatiserade metoder.
• AI-verktygen möjliggör detaljerade bilder av vulkansystem och gör det praktiskt möjligt att analysera stora datamängder från fiberoptiska kablar.

Mycket små jordbävningar kan nu upptäckas

På sju år har maskininlärning nästan helt automatiserat en av de mest grundläggande uppgifterna inom seismologi: att upptäcka jordbävningar, skriver Understanding AI. De nya verktygen kan upptäcka mindre jordbävningar än tidigare metoder, särskilt i bullriga miljöer.

Den 1 januari 2008 klockan 01:59 inträffade en jordbävning i Calipatria, Kalifornien. Den hade magnituden minus 0,53, ungefär samma skakning som en förbipasserande lastbil. Jordbävningen är anmärkningsvärd eftersom den var så liten men ändå kunde detekteras och katalogiseras.

Kyle Bradley, medförfattare till nyhetsbrevet Earthquake Insights, beskriver det som att sätta på sig glasögon för första gången. Judith Hubbard, professor vid Cornell University, kallar utvecklingen märklig. Joe Byrnes, professor vid University of Texas at Dallas, säger att AI-modellerna är "komiskt bra" på att identifiera och klassificera jordbävningar.

Tio gånger fler jordbävningar katalogiserade

2019 använde Zach Ross laboratorium vid Caltech en teknik som heter template matching för att hitta tio gånger fler jordbävningar i södra Kalifornien än vad som tidigare var känt. De upptäckte totalt 1,6 miljoner jordbävningar. Nästan alla nya upptäckter var mycket små, med magnitud 1 och lägre.

Template matching fungerar väl men kräver omfattande datamängder och är beräkningsmässigt dyrt. Att skapa datasetet för södra Kalifornien krävde 200 Nvidia P100 GPU:er som körde i flera dagar.

Earthquake Transformer löser två problem

AI-baserade detektionsmodeller är snabbare än template matching. Modellerna är små, omkring 350 000 parametrar jämfört med miljarder i stora språkmodeller, och kan köras på vanliga processorer. Modellerna fungerar också väl i regioner som inte finns representerade i träningsdatan.

En av de mest använda modellerna är Earthquake Transformer, som utvecklades omkring 2020 av ett Stanford-team lett av S. Mostafa Mousavi. Modellen använder konvolutioner, en teknik från bildklassificering, men anpassad för endimensionell data över tid.

Modellen analyserar vibrationsdata i 0,1-sekunds segment i det första lagret. Senare lager identifierar mönster över progressivt längre tidsperioder. En uppmärksamhetsmekanism i mitten av modellen hjälper till att kontrollera att olika delar passar in i ett bredare jordbävningsmönster.

Stora datamängder möjliggjorde framsteg

Earthquake Transformer tränades med Stanford Earthquake Dataset (STEAD), som innehåller 1,2 miljoner människomärkta segment av seismogramdata från hela världen. Andra modeller, som PhaseNet, tränades på hundratusentals eller miljoner märkta segment.

Enligt Byrnes har det inte funnits "något större behov av att uppfinna nya arkitekturer för seismologi". Tekniker från bildbehandling har varit tillräckliga.

Detaljerade bilder av vulkansystem

En av tillämpningarna är att förstå och avbilda vulkaner. Vulkanisk aktivitet producerar många små jordbävningar vars placeringar hjälper forskare att förstå magmasystemets struktur.

I en studie från 2022 använde John Wilding och medförfattare en stor AI-genererad jordbävningskatalog för att skapa en detaljerad bild av det hawaiianska vulkansystemets struktur. De gav direkta bevis för en tidigare hypoteserad magmaförbindelse mellan den djupa Pāhala sill-komplexet och Mauna Loas ytliga vulkaniska struktur. Författarna kunde också klargöra Pāhala sill-komplexets struktur i diskreta magmaskikt. Detaljnivån kan möjliggöra bättre realtidsövervakning av jordbävningar och mer exakta prognoser för vulkanutbrott.

Stora datamängder blir hanterbara

AI-verktygen sänker kostnaden för att hantera stora datamängder. Distributed Acoustic Sensing (DAS) är en teknik som använder fiberoptiska kablar för att mäta seismisk aktivitet längs hela kabeln. En enda DAS-array kan producera hundratals gigabyte data per dag enligt Jiaxuan Li, professor vid University of Houston. Den mängden data kan producera extremt högupplösta dataset, tillräckligt för att plocka ut enskilda fotsteg.

AI-verktyg gör det möjligt att mycket noggrant tidsbestämma jordbävningar i DAS-data. Innan AI-tekniker introducerades för detta arbete försökte Li och kollegor använda traditionella tekniker. Dessa fungerade ungefärligt men var inte tillräckligt exakta för deras analyser. Utan AI skulle mycket av arbetet ha varit mycket svårare.

Li är också optimistisk om att AI-verktyg kommer att kunna hjälpa honom att isolera nya typer av signaler i den rika DAS-datan i framtiden.

Metoden har blivit standard

De senaste fem åren har ett AI-baserat arbetsflöde nästan helt tagit över en av de grundläggande uppgifterna inom seismologi. Maskininlärningsmetoder hittar typiskt tio eller fler gånger så många jordbävningar som tidigare identifierats i ett område.

Flera jordbävningsforskare är överens om att maskininlärningsmetoder fungerar bättre för dessa specifika uppgifter.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.