Un groupe de chercheurs du Royaume-Uni et des États-Unis a utilisé des techniques d'apprentissage automatique pour prédire avec succès les tremblements de terre. Bien que leur travail ait été effectué en laboratoire, l'expérience imite de près les conditions de la vie réelle, et les résultats pourraient être utilisés pour prédire le moment d'un véritable tremblement de terre.

L'équipe, de l'Université de Cambridge, Laboratoire national de Los Alamos et Université de Boston, identifié un signal caché menant aux tremblements de terre, et a utilisé cette « empreinte digitale » pour former un algorithme d'apprentissage automatique afin de prédire les futurs tremblements de terre. leurs résultats, qui pourrait aussi s'appliquer aux avalanches, glissements de terrain et plus, sont rapportés dans la revue Geophysical Review Letters.

Pour les géoscientifiques, prédire le moment et la magnitude d'un séisme est un objectif fondamental. En général, déterminer où un tremblement de terre se produira est assez simple :si un tremblement de terre a déjà frappé un endroit particulier, il y a de fortes chances qu'il frappe à nouveau là-bas. Les questions qui défient les scientifiques depuis des décennies sont de savoir comment déterminer quand un tremblement de terre se produira, et à quel point ce sera grave. Au cours des 15 dernières années, des progrès dans la précision des instruments ont été réalisés, mais une technique fiable de prévision des tremblements de terre n'a pas encore été développée.

Dans le cadre d'un projet de recherche de moyens d'utiliser des techniques d'apprentissage automatique pour rendre les LED au nitrure de gallium (GaN) plus efficaces, le premier auteur de l'étude, Bertrand Rouet-Leduc, qui était alors doctorant à Cambridge, a déménagé au Laboratoire national de Los Alamos au Nouveau-Mexique pour démarrer une collaboration sur l'apprentissage automatique en science des matériaux entre l'Université de Cambridge et Los Alamos. À partir de là, l'équipe a commencé à aider le groupe de géophysique de Los Alamos sur des questions d'apprentissage automatique.

L'équipe de Los Alamos, dirigé par Paul Johnson, étudie les interactions entre les séismes, les séismes précurseurs (souvent de très petits mouvements de terre) et les failles, dans l'espoir de développer une méthode de prévision des séismes. En utilisant un système de laboratoire qui imite de vrais tremblements de terre, les chercheurs ont utilisé des techniques d'apprentissage automatique pour analyser les signaux acoustiques provenant de la «faute» lors de son déplacement et rechercher des modèles.

L'appareil de laboratoire utilise des blocs d'acier pour imiter fidèlement les forces physiques à l'œuvre dans un véritable tremblement de terre, et enregistre également les signaux sismiques et les sons émis. L'apprentissage automatique est ensuite utilisé pour trouver la relation entre le signal acoustique provenant de la panne et la proximité de la panne.

L'algorithme d'apprentissage automatique a pu identifier un motif particulier dans le son, pensait auparavant n'être rien de plus que du bruit, qui se produit bien avant un tremblement de terre. Les caractéristiques de ce modèle sonore peuvent être utilisées pour donner une estimation précise (à quelques pourcents près) de la contrainte sur le défaut (c'est-à-dire, à quelle force est-il soumis) et d'estimer le temps restant avant défaillance, qui devient de plus en plus précise à mesure que l'échec approche. L'équipe pense maintenant que ce modèle sonore est une mesure directe de l'énergie élastique présente dans le système à un moment donné.

"C'est la première fois que l'apprentissage automatique est utilisé pour analyser des données acoustiques afin de prédire quand un tremblement de terre se produira, bien avant qu'il ne le fasse, pour que beaucoup de temps d'avertissement puisse être donné - c'est incroyable ce que l'apprentissage automatique peut faire, " a déclaré le co-auteur, le professeur Sir Colin Humphreys du département des sciences des matériaux et de la métallurgie de Cambridge, dont le principal domaine de recherche est les LED économes en énergie et rentables. Humphreys était le superviseur de Rouet-Leduc lorsqu'il était doctorant à Cambridge.

« L'apprentissage automatique permet d'analyser des ensembles de données trop volumineux pour être traités manuellement et examine les données de manière impartiale, ce qui permet de faire des découvertes, " dit Rouet-Leduc.

Bien que les chercheurs avertissent qu'il existe de multiples différences entre une expérience en laboratoire et un véritable tremblement de terre, ils espèrent étendre progressivement leur approche en l'appliquant à des systèmes réels qui ressemblent le plus à leur système de laboratoire. L'un de ces sites se trouve en Californie le long de la faille de San Andreas, où les petits tremblements de terre répétitifs caractéristiques sont similaires à ceux du simulateur de tremblement de terre en laboratoire. Des progrès sont également réalisés sur la faille Cascadia dans le nord-ouest du Pacifique des États-Unis et de la Colombie-Britannique, Canada, où les tremblements de terre lents répétés qui se produisent sur des semaines ou des mois sont également très similaires aux tremblements de terre de laboratoire.

"Nous sommes à un point où d'énormes progrès dans l'instrumentation, apprentissage automatique, des ordinateurs plus rapides et notre capacité à gérer des ensembles de données massifs pourraient apporter d'énormes progrès dans la science des tremblements de terre, " dit Rouet-Leduc.