Sustav ranog upozoravanja na potres koji koristi umjetnu inteligenciju za predviđanje kretanja tla može nekoliko sekundi unaprijed najaviti da će doći do podrhtavanja, piše LiveScience.
Sličan sustav koji koristi tradicionalnije računalne metode već postoji na zapadnoj obali SAD-a. Zove se ShakeAlert, a djeluje tako što otkriva prve valove kretanja potresa, odnosno P-valove, te računa kada će stići tzv. S-valovi koji uzrokuju većinu podrhtavanja.
Sustav koji se razvija zove se DeepShake, a njime se želi upozoriti na neposredno podrhtavanje nakon što započne potres. Međutim, DeepShake koristi duboku neuronsku mrežu, vrstu učenja umjetne inteligencije kako bi identificirao uzorke iz prošlih potresa i predvidio kako će putovati podrhtavanja od novog potresa. To bi moglo dovesti do brže obrade i lakše generalizacije u različitim trusnim područjima.
Student koji je bio dio tima za razvijanje DeepShakea tvrdi da im je cilj bio pobijediti jednadžbe predviđanja kretanja tla koje se trenutno koriste za "programiranje sustava upozorenja na podrhtavanje".
"Obično su vrlo spori. Potrebni su vam numerički rješavači koji rade na superračunalima, a obrada im može potrajati nekoliko minuta i sati. Suprotno tome, ako pokrenemo 25 modela DeepShake, potrebno je oko 6,1 milisekundi na jednoj istraživačkoj jedinici za obradu grafike", rekao je Avoy Datta.
Predviđanje podrhtavanja
Datta i njegov kolega Daniel Wu izvijestili su nedavno o svojim rezultatima nakon što su naveli DeepShake na predviđanje potresa u blizini Ridgecresta u Kaliforniji. Ridgecrest se nalazi u seizmički aktivnoj zoni u istočnoj Kaliforniji, a 2019. godine regiju je pogodio niz potresa. Najveći od njih dogodio se 5. srpnja, a magnituda mu je bila 7.1.
Studenti su koristili tu sekvencu potresa kako bi uvježbali DeepShake na predviđanje podrhtavanja tla u tom području. Počeli su s nizom podataka od više od 36.000 potresa koji su pogodili Ridgecrest od srpnja do rujna 2019. (većina je bila prilično mala). Pohranili su 80 posto podataka u duboku neuronsku mrežu, čuvajući 10 posto za prilagođavanje parametara mreže i 10 posto za ispitivanje o usklađenosti rezultata mreže sa stvarnošću.
Stručnjaci su programirali mrežu da dodijeli veći značaj jačim potresima u nizu, kojih je bilo relativno malo, kako bi mogla bolje funkcionirati kao sustav ranog upozoravanja. Ipak su najjači potresi oni za koje ljudi najviše trebaju upozorenje.
Izdavanje upozorenja
Unatoč činjenici da DeepShake nije dobio informacije o mjestu ili vrsti potresa, uspio je upozoriti na podrhtavanje na drugim seizmičkim postajama u mreži između tri i 13 sekundi prije nego što se dogodilo, rekao je Wu za LiveScience.
Studenti ne vide ShakeAlert kao konkurenciju, već kao dodatak svom projektu, a svoje testiranje žele proširiti na druge rasjede i sekvence potresa.
Prednost mreža s dubokim učenjem je u tome što one automatski uključuju neobičnosti rasjeda jer se temelje na prošlim iskustvima. Za razliku od ShakeAlerta koji koristi univerzalne jednadžbe s ugrađenim pretpostavkama, DeepShake bi se morao ponovno postaviti za svaku pojedinu regiju u kojoj se koristi. No, tako bi snimio obrasce koje tradicionalne jednadžbe možda ne bi.
"Mjesta na kojima duboko učenje zaista funkcionira su mjesta na kojima postoji puno podataka i složenih obrazaca za otkrivanje", zaključio je Wu.
