Dans les semaines et les mois qui ont suivi un séisme majeur, la zone environnante est souvent secouée par de puissantes répliques qui peuvent ébranler une communauté déjà endommagée et entraver considérablement les efforts de récupération.

Alors que les scientifiques ont développé des lois empiriques, comme la loi de Bäth et la loi d'Ohmori, pour décrire la taille et le moment probables de ces répliques, les méthodes de prévision de leur localisation ont été plus difficiles à appréhender.

Mais suscité par une suggestion de chercheurs de Google, Brendan Meade, professeur de sciences de la Terre et des planètes, et Phoebe DeVries, un post-doctorant travaillant dans son laboratoire, utilisent la technologie de l'intelligence artificielle pour essayer de résoudre le problème.

En utilisant des algorithmes d'apprentissage en profondeur, la paire a analysé une base de données de tremblements de terre du monde entier pour essayer de prédire où les répliques pourraient se produire, et développé un système qui, tout en restant imprécis, a été en mesure de prévoir les répliques nettement mieux que l'assignation aléatoire. Le travail est décrit dans un article du 30 août publié dans La nature .

"Il y a trois choses que vous voulez savoir sur les tremblements de terre - vous voulez savoir quand ils vont se produire, quelle sera leur taille et où ils seront, " Meade a dit. " Avant ce travail, nous avions des lois empiriques pour quand ils se produiraient et quelle serait leur taille, et maintenant nous travaillons la troisième étape, où ils pourraient se produire.

"Je suis très enthousiasmé par le potentiel de l'apprentissage automatique à l'avenir avec ce genre de problèmes - c'est un problème très important à résoudre, " DeVries a déclaré. " La prévision des répliques en particulier est un défi qui convient bien à l'apprentissage automatique, car il existe de nombreux phénomènes physiques qui pourraient influencer le comportement des répliques et l'apprentissage automatique est extrêmement efficace pour démêler ces relations. Je pense que nous venons juste d'effleurer la surface de ce qui pourrait être fait avec la prévision des répliques... et c'est vraiment excitant."

L'idée d'utiliser des réseaux de neurones intelligents artificiels pour essayer de prédire les répliques est apparue il y a plusieurs années, pendant le premier des deux congés sabbatiques de Meade chez Google à Cambridge.

Tout en travaillant sur un problème connexe avec une équipe de chercheurs, Meade a dit, un collègue a suggéré que les algorithmes d'"apprentissage en profondeur" alors émergents pourraient rendre le problème plus traitable. Meade s'associera plus tard avec DeVries, qui utilisait des réseaux de neurones pour transformer du code informatique haute performance en algorithmes pouvant s'exécuter sur un ordinateur portable pour se concentrer sur les répliques.

"Le but est de compléter le tableau et nous espérons y avoir contribué, " dit Meade.

Pour le faire, Meade et DeVries ont commencé par accéder à une base de données d'observations faites à la suite de plus de 199 tremblements de terre majeurs.

"Après des tremblements de terre de magnitude 5 ou plus, les gens passent beaucoup de temps à cartographier quelle partie de la faille a glissé et à quel point elle s'est déplacée, " a déclaré Meade. " De nombreuses études pourraient utiliser les observations d'un ou deux tremblements de terre, mais nous avons utilisé toute la base de données... et nous l'avons combinée avec un modèle basé sur la physique de la façon dont la Terre sera soumise à des contraintes et à des contraintes après le tremblement de terre, l'idée étant que les contraintes et les contraintes causées par le choc principal peuvent être ce qui déclenche les répliques. »

Armé de ces informations, ils séparent ensuite une zone trouvée en grilles de 5 kilomètres carrés. Dans chaque grille, le système vérifie s'il y a eu une réplique, et demande au réseau de neurones de rechercher des corrélations entre les emplacements où les répliques se sont produites et les contraintes générées par le séisme principal.

« La question est de savoir quelle combinaison de facteurs pourrait être prédictive, " Meade a dit. " Il y a beaucoup de théories, mais une chose que cet article fait est clairement renverser la théorie la plus dominante - il montre qu'il a un pouvoir prédictif négligeable, et à la place, il en propose un qui a un pouvoir prédictif nettement meilleur."

Ce que le système a indiqué, Meade a dit, est une quantité connue sous le nom de deuxième invariant du tenseur de contrainte déviatorique, mieux connu simplement sous le nom de J2.

"C'est une quantité qui se produit dans la métallurgie et d'autres théories, mais n'a jamais été populaire dans la science des tremblements de terre, " a déclaré Meade. " Mais ce que cela signifie, c'est que le réseau de neurones n'a pas trouvé quelque chose de fou, il est venu avec quelque chose qui était hautement interprétable. Il a été en mesure d'identifier quelle physique nous devrions examiner, ce qui est plutôt cool."

Cette interprétabilité, DeVries a dit, est essentiel car les systèmes d'intelligence artificielle ont longtemps été considérés par de nombreux scientifiques comme des boîtes noires, capables de produire une réponse basée sur certaines données.

« Ce fut l'une des étapes les plus importantes de notre processus, " dit-elle. " Lorsque nous avons formé le réseau de neurones pour la première fois, nous avons remarqué qu'il réussissait plutôt bien à prédire l'emplacement des répliques, mais nous avons pensé qu'il serait important si nous pouvions interpréter les facteurs qu'il trouvait importants ou utiles pour cette prévision."

Relever un tel défi avec des données du monde réel très complexes, cependant, serait une tâche ardue, la paire a donc demandé au système de créer des prévisions pour le synthétique, tremblements de terre hautement idéalisés, puis en examinant les prédictions.

« Nous avons examiné la sortie du réseau de neurones, puis nous avons examiné ce à quoi nous nous attendrions si différentes quantités contrôlaient la prévision des répliques, " dit-elle. " En les comparant spatialement, nous avons pu montrer que J2 semble être important dans la prévision."

Et parce que le réseau a été formé en utilisant des tremblements de terre et des répliques du monde entier, Meade a dit, le système résultant a fonctionné pour de nombreux types de défauts différents.

"Les failles dans différentes parties du monde ont une géométrie différente, " Meade a dit. " En Californie, la plupart sont des fautes de glissement, mais ailleurs, comme le Japon, ils ont des zones de subduction très peu profondes. Mais ce qui est cool avec ce système, c'est que vous pouvez l'entraîner sur un, et il prédit sur l'autre, donc c'est vraiment généralisable."

"Nous sommes encore loin de pouvoir réellement les prévoir, " a-t-elle dit. " Nous sommes très loin de le faire en temps réel, mais je pense que l'apprentissage automatique a un énorme potentiel ici."

Aller de l'avant, Meade a dit, il travaille sur des efforts pour prédire la magnitude des tremblements de terre eux-mêmes à l'aide de la technologie de l'intelligence artificielle dans le but d'aider un jour à prévenir les effets dévastateurs des catastrophes.

« Les sismologues orthodoxes sont en grande partie des pathologistes, " Meade a déclaré. "Ils étudient ce qui se passe après l'événement catastrophique. Je ne veux pas faire ça, je veux être épidémiologiste. Je veux comprendre les déclencheurs, les causes et les transferts qui conduisent à ces événements.

Finalement, Meade a dit, l'étude sert à mettre en évidence le potentiel des algorithmes d'apprentissage en profondeur pour répondre aux questions que, jusqu'à récemment, les scientifiques savaient à peine poser.

"Je pense qu'il y a une révolution tranquille dans la réflexion sur la prévision des tremblements de terre, " a-t-il dit. " Ce n'est plus une idée qui existe totalement. Et bien que ce résultat soit intéressant, Je pense que cela fait partie d'une révolution en général pour reconstruire toute la science à l'ère de l'intelligence artificielle.

"Les problèmes extrêmement difficiles sont extrêmement accessibles de nos jours, " Il a poursuivi. " Ce n'est pas seulement dû à la puissance de calcul - la communauté scientifique va en bénéficier énormément parce que... l'IA semble extrêmement intimidante, mais ce n'est pas le cas en fait. C'est un type d'informatique extraordinairement démocratisant, et je pense que beaucoup de gens commencent à comprendre ça."