پیشبینی احتمال وقوع پسلرزه با کمک هوشمصنوعی گوگل
مجله علمی ایلیاد - تخریبی که اغلب به واسطهی زلزلههای بزرگ ایجاد میشود، معمولاً پس از پایان زمینلرزه متوقف نمیگردد. بسیاری از این تخریبها پس از وقوع زمینلرزهی اصلی، در طی همان روز یا حتی چند روز بعد، و به دلیل وقوع پسلرزهها و یا لرزههای خفیفتر ایجاد میشوند. این پسلرزهها بعضی اوقات میتوانند آسیب بیشتری را حتی نسبت به خود زلزلهی اولیه ایجاد کنند و هر چند ما معمولاً میتوانیم قدرت پسلرزهای را پیشبینی کنیم، اما در پیشبینی موقعیت مکانی آن چندان موفق نیستیم.
در این راستا، محققان دانشگاه هاروارد و بخش هوشمصنوعی گوگل، شبکهی عصبی را تولید کردهاند که میتواند به ارزیابی این موضوع بپردازد که چقدر احتمال دارد در مکانی خاص بعد از وقوع زمین لرزه، پسلرزههای بعدی اتفاق بیافتند. بهترین قسمت این ماجرا این است که این شبکه بسیار دقیقتر از بسیاری از مدلهای فعلی است.
بهترین ابزار فعلی موجود برای پیشبینی پسلرزهها، مدلی است که به مدل «تغییرات تنش کولمب» معروف است. محققان میتوانند تنشهای زمینشناسی موجود در سنگهای اطراف محل زمینلرزه را محاسبه کرده و سپس از مدل موجود، برای تعیین احتمال وقوع پسلرزه استفاده کنند. متاسفانه، این مدل تنها اندکی دقیقتر از بازی شیر و خط است.
لذا به منظور پیشبینی بهتر محل پسلرزهها، این گروه به هوشمصنوعی روی آورده است. این گروه تحقیقاتی ابتدا دادههای به دست آمده از ۱۳۱،۰۰۰ زلزله و پسلرزه را وارد شبکهی عصبی کردند تا بتوانند شبکهی ۵ کیلومتر در ۵ کیلومتری را در اطراف محل زلزله اصلی تشکیل دهند. سپس، آنها دادههای شبکهی عصبی را که نشان میداد چگونه زلزله باعث به وجود آمدن تغییراتی در سطح فشار موجود در مرکز هر سلول میشود، وارد مدل کردند. پس از آن، احتمال این که پسلرزه در سلول سایت رخ دهد، توسط شبکه برآورد شد.
محققان شبکههای عصبی خود را بر روی ۳۰،۰۰۰ حادثهی پسلرزه رخ داده پس از وقوع زلزله آزمایش کردند و دریافتند که این شبکه میتواند احتمال وقوع پسلرزهها را بسیار دقیقتر از مدل پیشین، برآورد کند.
اگر چه پیشبینیهای الگوریتم، عاری از خطا نیست، محققان تاکنون از هوشمصنوعی راضی بودهاند و حتی امیدوار هستند که بتوانند سیستم دقیقتری را ارائه کنند. «فب دونس»، پژوهشگر ساینس دیلی، در این خصوص گفت: «پیشبینی پسلرزههای آینده چالشی است که احتمالاً انجام آن برای دانش یادگیری ماشینی مناسب خواهد بود؛ زیرا بسیاری از پدیدههای فیزیکی وجود دارند که میتوانند رفتارهای پسلرزه را تحت تاثیر قرار دهند و یادگیری ماشین، تاکنون توانسته به خوبی از پس این پیشبینیها برآید.» او در ادامه گفت: «من فکر میکنم که ما قدم در راه درستی گذاشتهایم و امیدوار هستم در این راه به پیشرفتهای خوبی برسیم.»
نوشته: کریستین هاوسر
ترجمه: سهیلا دوستپژوه - مجله علمی ایلیاد