Début septembre 2018, un puissant tremblement de terre sur l'île d'Hokkaido dans le nord du Japon a déclenché des glissements de terrain, bâtiments renversés, couper le courant, industrie arrêtée, tué plus de 40 personnes et blessé des centaines. L'agence météorologique nationale a averti que des répliques pourraient frapper jusqu'à une semaine après l'événement principal.

"Un grand tremblement de terre aura généralement des milliers de répliques, " dit Grégory Beroza, le professeur Wayne Loel de géophysique à l'École de la Terre, Sciences de l'énergie et de l'environnement (Stanford Earth) à l'Université de Stanford. "Nous savons qu'un grand tremblement de terre change quelque chose dans la croûte terrestre qui provoque ces répliques."

La rareté des grands tremblements de terre, cependant, rend difficile la documentation et la modélisation statistique de la manière dont les grands séismes interagissent dans l'espace et dans le temps. Les répliques pourraient offrir une solution de contournement. "Les répliques se produisent par le même mécanisme, sur les mêmes failles géologiques et dans les mêmes conditions que les autres séismes, " Beroza a expliqué dans un article récent dans le journal La nature . Par conséquent, interactions entre le plus grand séisme d'une séquence, connu sous le nom de choc principal, et ses répliques peuvent contenir des indices sur les interactions sismiques de manière plus générale, aider à expliquer comment les changements sur une faille induits par un tremblement de terre peuvent affecter le site potentiel d'un autre.

Ici, Beroza explique comment les scientifiques prévoient les répliques et pourquoi ils se tournent vers l'intelligence artificielle pour construire de meilleurs modèles pour l'avenir.

Quelles sont les méthodes actuelles pour prédire les pré-chocs et où échouent-ils ?

GREGORY BEROZA :Quand un grand tremblement de terre glisse, qui modifie les forces dans toute la croûte terrestre à proximité. On pense que ce changement de stress est le plus responsable du déclenchement des répliques. Le stress est le moteur des tremblements de terre.

Les scientifiques ont noté une tendance des répliques à se produire lorsque deux types de stress agissent sur un changement de défaut. Le premier type est appelé stress normal, c'est-à-dire avec quelle force les deux côtés d'une faille se rapprochent ou se séparent. Le deuxième type est appelé contrainte de cisaillement, ou à quel point les deux côtés sont poussés l'un contre l'autre, parallèle à la faille, par des forces distantes. On s'attend à ce que des diminutions de la contrainte normale et des augmentations de la contrainte de cisaillement encouragent les séismes ultérieurs. Les mesures de ces changements dans le volume de roche autour d'une faille sont combinées en une seule métrique appelée le changement de contrainte de rupture de Coulomb.

Mais ce n'est pas une règle absolue. Certains tremblements de terre se produisent là où, dans un sens, ils ne devraient pas, par cette métrique. Certaines composantes de la contrainte sont différentes de la contrainte de cisaillement et de la contrainte normale. Il y a du stress dans d'autres directions, et des combinaisons complexes. Donc, nous sommes d'accord pour prédire où les répliques se produiront, et ne le fera pas, survenir après un choc principal, mais pas aussi bien que nous le souhaiterions.

Qu'est-ce qu'un réseau de neurones artificiels et comment les scientifiques peuvent-ils utiliser ce type d'intelligence artificielle pour prédire les tremblements de terre et les répliques ?

BEROZA :Imaginez une machine qui prend les entrées de la gauche. En vous déplaçant vers la droite, vous avez une série de couches, chacun contenant un groupe de neurones connectés. Et à l'autre extrémité, vous avez un résultat quelconque.

Un neurone peut en exciter un autre. Lorsque vous ajoutez beaucoup de ces couches avec beaucoup d'interactions différentes, vous obtenez très rapidement un ensemble extrêmement large de relations possibles. Quand les gens parlent de réseaux de neurones "profonds", cela signifie qu'ils ont beaucoup de couches.

Dans ce cas, votre entrée est une information sur le stress sur un défaut. La sortie est une information sur les emplacements des répliques. Les scientifiques peuvent prendre des exemples de tremblements de terre observés et utiliser ces données pour entraîner les neurones à interagir de manière à produire un résultat observé dans le monde réel. C'est un processus appelé apprentissage automatique. Compte tenu de cet ensemble d'entrées, quelle est la bonne réponse ? Que nous a dit la Terre pour ce tremblement de terre ?

Un effort pionnier pour utiliser l'intelligence artificielle dans ce contexte publié dans La nature en août 2018. Les auteurs ont fourni à un algorithme d'apprentissage automatique des estimations des changements de stress et des informations sur l'endroit où les répliques se sont produites ou non pour tout un tas de tremblements de terre. Ils ne font pas de prédiction de tremblement de terre au sens habituel du terme, où vous essayez de prédire l'heure, lieu et ampleur du séisme. Ils cherchent juste où se produisent les répliques. Le modèle ne capture pas la vraie complexité de la Terre, mais ça avance dans le bon sens.

Comment les approches de l'intelligence artificielle pourraient-elles être appliquées à la sismologie plus largement ?

BEROZA :Dans les sciences de la Terre en général, nous avons des systèmes géologiques complexes qui interagissent fortement d'une manière que nous ne comprenons pas. L'apprentissage automatique et l'intelligence artificielle peuvent nous aider à explorer et peut-être à découvrir la nature de certaines de ces relations compliquées. Cela peut nous aider à explorer et à trouver des relations auxquelles les scientifiques n'avaient pas pensé ou testées.

Nous avons également de très grands ensembles de données. Le plus grand réseau sismique avec lequel j'ai travaillé a quelque chose comme 5, 000 capteurs dedans. C'est 5, 000 capteurs, 100 échantillons par seconde, et il fonctionne en continu pendant des mois. Il y a tellement de données qu'il est même difficile de les regarder.

La tendance est que ces ensembles de données soient de plus en plus volumineux. En quelques années, nous allons travailler avec des ensembles de données de plus de 10, 000 capteurs. Comment vous assurez-vous d'obtenir autant d'informations que possible de ces énormes ensembles de données ?

Notre façon habituelle de faire des affaires ne va pas évoluer à un moment donné. Des techniques telles que l'exploration de données et l'apprentissage automatique pour nous aider à extraire autant d'informations que possible de ces très grands ensembles de données vont être un élément essentiel de la compréhension de notre planète à l'avenir.