Les mesures des vibrations de la Terre zigzaguaient sur l'écran de Mostafa Mousavi un matin à Memphis, Tenn. Dans le cadre de son doctorat. études en géophysique, il était assis à scanner les signaux de tremblement de terre enregistrés la nuit précédente, vérifier que des algorithmes vieux de plusieurs décennies avaient détecté de vrais tremblements de terre plutôt que des tremblements générés par des choses ordinaires comme le fracas des vagues, passer des camions ou piétiner les fans de football.

"J'ai fait tout ce travail fastidieux pendant six mois, regarder des données continues, " Moussavi, maintenant chercheur à la Stanford's School of Earth, Sciences de l'énergie et de l'environnement (Stanford Earth), rappelé récemment. "C'était le point que je pensais, 'Il doit y avoir une bien meilleure façon de faire ce genre de choses.'"

C'était en 2013. Les smartphones portables étaient déjà chargés d'algorithmes capables de décomposer la parole en ondes sonores et de trouver les mots les plus probables dans ces modèles. Grâce à l'intelligence artificielle, ils pourraient même apprendre des enregistrements passés pour devenir plus précis au fil du temps.

Les ondes sismiques et les ondes sonores ne sont pas si différentes. On se déplace à travers la roche et le fluide, l'autre par l'air. Pourtant, alors que l'apprentissage automatique avait transformé la façon dont les ordinateurs personnels traitent et interagissent avec la voix et le son, les algorithmes utilisés pour détecter les séismes dans les flux de données sismiques n'ont pratiquement pas changé depuis les années 1980.

Cela a laissé beaucoup de tremblements de terre non détectés.

Les grands tremblements de terre sont difficiles à manquer, mais ils sont rares. Pendant ce temps, des tremblements de terre imperceptiblement petits se produisent tout le temps. Se produisant sur les mêmes failles que les tremblements de terre plus importants – et impliquant la même physique et les mêmes mécanismes – ces « microséismes » représentent une cache d'informations inexploitées sur l'évolution des tremblements de terre – mais seulement si les scientifiques peuvent les trouver.

Dans un article récent publié dans Communication Nature , Mousavi et ses co-auteurs décrivent une nouvelle méthode d'utilisation de l'intelligence artificielle pour mettre en évidence des millions de ces changements subtils de la Terre. « En améliorant notre capacité à détecter et à localiser ces très petits séismes, nous pouvons voir plus clairement comment les séismes interagissent ou se propagent le long de la faille, comment ils ont commencé, même comment ils s'arrêtent, " a déclaré le géophysicien de Stanford Gregory Beroza, l'un des auteurs de l'article.

Se concentrer sur ce qui compte

Mousavi a commencé à travailler sur la technologie pour automatiser la détection des tremblements de terre peu de temps après son passage à l'examen des sismogrammes quotidiens à Memphis, mais ses modèles ont eu du mal à éliminer le bruit inhérent aux données sismiques. Quelques années plus tard, après avoir rejoint le laboratoire de Beroza à Stanford en 2017, il a commencé à réfléchir à la façon de résoudre ce problème en utilisant l'apprentissage automatique.

Le groupe a réalisé une série de détecteurs de plus en plus puissants. Un modèle 2018 appelé PhaseNet, développé par Beroza et l'étudiant diplômé Weiqiang Zhu, algorithmes adaptés du traitement d'images médicales pour exceller dans la sélection de phase, qui consiste à identifier le début précis de deux types différents d'ondes sismiques. Un autre modèle d'apprentissage automatique, sorti en 2019 et baptisé CRED, a été inspiré par les algorithmes de déclenchement vocal dans les systèmes d'assistants virtuels et s'est avéré efficace pour la détection. Les deux modèles ont appris les schémas fondamentaux des séquences sismiques à partir d'un ensemble relativement petit de sismogrammes enregistrés uniquement dans le nord de la Californie.

Dans le Communication Nature papier, les auteurs rapportent qu'ils ont développé un nouveau modèle pour détecter de très petits tremblements de terre avec des signaux faibles que les méthodes actuelles négligent généralement, et pour choisir le moment précis des phases sismiques en utilisant les données sismiques du monde entier. Ils l'appellent Transformateur de tremblement de terre.

Selon Mousavi, le modèle s'appuie sur PhaseNet et CRED, et « intègre ces informations que j'ai obtenues à partir du moment où je faisais tout cela manuellement ». Spécifiquement, Earthquake Transformer imite la façon dont les analystes humains considèrent l'ensemble des mouvements dans son ensemble, puis se concentrent sur une petite partie d'intérêt.

Les gens le font intuitivement dans la vie quotidienne, en éliminant les détails moins importants pour se concentrer plus intensément sur ce qui compte. Les informaticiens l'appellent un « mécanisme d'attention » et l'utilisent fréquemment pour améliorer les traductions de textes. Mais c'est nouveau dans le domaine de la détection automatisée des tremblements de terre, dit Moussavi. "J'imagine que cette nouvelle génération de détecteurs et de sélecteurs de phase sera la norme pour la surveillance des tremblements de terre d'ici un an ou deux, " il a dit.

La technologie pourrait permettre aux analystes de se concentrer sur l'extraction d'informations à partir d'un catalogue plus complet de tremblements de terre, libérer leur temps pour réfléchir davantage à ce que signifie le schéma des tremblements de terre, dit Beroza, le professeur Wayne Loel des sciences de la Terre à Stanford Earth.

Défauts cachés

Comprendre les modèles d'accumulation de petits tremblements sur des décennies ou des siècles pourrait être essentiel pour minimiser les surprises - et les dommages - lorsqu'un séisme plus important se produit.

Le séisme de Loma Prieta en 1989 est l'un des tremblements de terre les plus destructeurs de l'histoire des États-Unis, et comme l'un des plus importants à frapper le nord de la Californie au cours du siècle dernier. C'est une distinction qui parle moins d'une puissance extraordinaire dans le cas de Loma Prieta que de lacunes dans la préparation aux tremblements de terre, la cartographie des risques et les codes du bâtiment - et à l'extrême rareté des grands tremblements de terre.

Seulement environ un sur cinq des quelque 500, 000 tremblements de terre détectés dans le monde par des capteurs sismiques chaque année produisent des secousses suffisamment fortes pour que les gens s'en aperçoivent. Au cours d'une année type, peut-être 100 tremblements de terre causeront des dommages.

A la fin des années 1980, les ordinateurs étaient déjà au travail pour analyser les données sismiques enregistrées numériquement, et ils ont déterminé l'occurrence et l'emplacement des tremblements de terre comme Loma Prieta en quelques minutes. Limitations dans les ordinateurs et les données de forme d'onde, cependant, a laissé de nombreux petits tremblements de terre non détectés et de nombreux tremblements de terre plus importants que partiellement mesurés.

Après la dure leçon de Loma Prieta, de nombreuses communautés californiennes se sont appuyées sur des cartes montrant les zones de failles et les zones où les tremblements de terre sont susceptibles de faire le plus de dégâts. Étoffer l'enregistrement des tremblements de terre passés avec Earthquake Transformer et d'autres outils pourrait rendre ces cartes plus précises et aider à révéler des failles qui pourraient autrement n'apparaître qu'à la suite de la destruction d'un tremblement de terre plus important, comme cela s'est produit avec Loma Prieta en 1989, et avec le séisme de magnitude 6,7 de Northridge à Los Angeles cinq ans plus tard.

"Plus nous pourrons obtenir d'informations sur les profondeurs, structure de faille tridimensionnelle grâce à une meilleure surveillance des petits séismes, mieux nous pourrons anticiper les tremblements de terre qui se profilent à l'avenir, " dit Beroza.

Transformateur de tremblement de terre

Pour déterminer l'emplacement et la magnitude d'un séisme, les algorithmes existants et les experts humains recherchent le temps d'arrivée de deux types d'ondes. Le premier ensemble, appelées ondes primaires ou ondes P, avancer rapidement—poussant, tirant et comprimant le sol comme un Slinky lorsqu'ils le traversent. Viennent ensuite le cisaillement ou les ondes S, qui voyagent plus lentement mais peuvent être plus destructeurs car ils déplacent la Terre d'un côté à l'autre ou de haut en bas.

Pour tester le transformateur sismique, l'équipe voulait voir comment cela fonctionnait avec des tremblements de terre non inclus dans les données de formation qui sont utilisées pour enseigner aux algorithmes à quoi ressemblent un vrai tremblement de terre et ses phases sismiques. Les données de formation comprenaient un million de sismogrammes étiquetés à la main enregistrés principalement au cours des deux dernières décennies où les tremblements de terre se produisent dans le monde, hors Japon. Pour le test, ils ont sélectionné cinq semaines de données continues enregistrées dans la région du Japon secouée il y a 20 ans par le séisme de magnitude 6,6 de Tottori et ses répliques.

Le modèle détecté et localisé 21, 092 événements, soit plus de deux fois et demie le nombre de séismes relevés à la main, en utilisant les données de seulement 18 des 57 stations que les scientifiques japonais utilisaient à l'origine pour étudier la séquence. Earthquake Transformer s'est avéré particulièrement efficace pour les minuscules tremblements de terre qui sont plus difficiles à détecter pour les humains et qui sont enregistrés en nombre écrasant à mesure que les capteurs sismiques se multiplient.

"Précédemment, les gens avaient conçu des algorithmes pour dire, trouver l'onde P. C'est un problème relativement simple, " a expliqué le co-auteur William Ellsworth, professeur de recherche en géophysique à Stanford. Localiser le début de l'onde S est plus difficile, il a dit, car il émerge des derniers halètements erratiques des ondes P rapides. D'autres algorithmes ont pu produire des catalogues de séismes extrêmement détaillés, y compris un grand nombre de petits tremblements de terre manqués par les analystes, mais leurs algorithmes de correspondance de motifs ne fonctionnent que dans la région fournissant les données d'apprentissage.

Avec Earthquake Transformer fonctionnant sur un simple ordinateur, une analyse qui prendrait normalement des mois de travail d'expert a été achevée en 20 minutes. Cette vitesse est rendue possible par des algorithmes qui recherchent l'existence d'un séisme et la synchronisation des phases sismiques en tandem, en utilisant les informations glanées à chaque recherche pour affiner la solution pour les autres.

"Le transformateur de tremblement de terre obtient beaucoup plus de tremblements de terre que d'autres méthodes, qu'il s'agisse de personnes assises et essayant d'analyser les choses en regardant les formes d'onde, ou des méthodes informatiques plus anciennes, " a déclaré Ellsworth. " Nous examinons de plus en plus le processus du tremblement de terre, et nous le faisons avec plus d'efficacité et de précision."

Les chercheurs ont formé et testé Earthquake Transformer sur des données historiques, mais la technologie est prête à signaler de minuscules tremblements de terre presque dès qu'ils se produisent. Selon Beroza, « La surveillance des tremblements de terre à l'aide de l'apprentissage automatique en temps quasi réel arrive très bientôt. »