AI rewolucjonizuje sejsmologię. Nowe modele, takie jak Earthquake Transformer, wykrywają 10 razy więcej trzęsień ziemi, w tym te, których ludzie nie czują.
W skrócie:
- Modele uczenia maszynowego identyfikują dziesięciokrotnie więcej trzęsień ziemi niż tradycyjne metody, w tym mikrowstrząsy, które dotąd pozostawały niewykryte przez człowieka.
- Model Earthquake Transformer, oparty na mechanizmie znanym z klasyfikacji obrazów, działa szybciej i wymaga mniejszej mocy obliczeniowej niż starsze zautomatyzowane systemy.
- Technologia pozwala tworzyć szczegółowe mapy systemów wulkanicznych, co może w przyszłości umożliwić dokładniejsze prognozowanie erupcji i lepsze monitorowanie aktywności.
Pierwszego stycznia 2008 roku, o godzinie 1:59 w nocy, w kalifornijskim mieście Calipatria zatrzęsła się ziemia. Wstrząs miał magnitudę minus 0,53 – jego siła była porównywalna z drganiami wywołanymi przez przejeżdżającą ciężarówkę. Nikt go nie poczuł, ale sejsmografy go zarejestrowały. A teraz, dzięki sztucznej inteligencji, takie zdarzenia nie są już tylko statystycznym szumem. Stały się częścią mapy, która pokazuje nam planetę w niespotykanej dotąd rozdzielczości. Przez ostatnie siedem lat uczenie maszynowe niemal całkowicie zautomatyzowało jedno z najbardziej fundamentalnych zadań w sejsmologii. Kyle Bradley, współautor newslettera Earthquake Insights, opisuje to dosadnie – to jak założyć okulary po raz pierwszy. Zamiast rozmazanych plam widzimy każdy detal.
Jak AI nauczyło się słuchać szeptu Ziemi?
Jeszcze w 2019 roku laboratorium Zacha Rossa z Caltech używało techniki zwanej template matching (dopasowywanie do wzorca), by przeczesać dane sejsmiczne z Południowej Kalifornii. Wynik był oszałamiający – odkryli 1,6 miliona trzęsień ziemi, dziesięć razy więcej, niż było w oficjalnych katalogach. Problem? Metoda była potwornie droga. Stworzenie tego zbioru danych wymagało pracy 200 procesorów graficznych Nvidia P100, które działały bez przerwy przez kilka dni. To bariera, której większość ośrodków badawczych nie jest w stanie przeskoczyć.
I wtedy na scenę weszła sztuczna inteligencja. Modele takie jak Earthquake Transformer, opracowany około 2020 roku przez zespół z Uniwersytetu Stanforda pod kierownictwem S. Mostafy Mousaviego, zmieniły zasady gry. Są nie tylko szybsze, ale i znacznie lżejsze. Podczas gdy duże modele językowe mają miliardy parametrów, Earthquake Transformer ma ich zaledwie około 350 tysięcy i może działać na zwykłych procesorach. Wykorzystuje konwolucje, technikę zapożyczoną z klasyfikacji obrazów, ale przystosowaną do analizy jednowymiarowych danych w czasie. Model analizuje dane w segmentach o długości 0,1 sekundy, a mechanizm uwagi sprawdza, czy wykryte wzorce pasują do szerszego obrazu trzęsienia ziemi. To czysta, obliczeniowa elegancja.
Dlaczego dane okazały się kluczem do sukcesu?
Każda rewolucja w AI potrzebuje paliwa, a w tym przypadku były nim dane. Earthquake Transformer trenowano na zbiorze Stanford Earthquake Dataset (STEAD), który zawiera 1,2 miliona ręcznie oznaczonych przez sejsmologów fragmentów zapisów sejsmograficznych z całego świata. Inne modele, jak PhaseNet, również korzystały z setek tysięcy przykładów. Dzięki temu algorytmy nauczyły się rozpoznawać sygnaturę wstrząsu nawet w bardzo zaszumionym środowisku, na przykład w miastach.
Co ciekawe, sejsmologia nie potrzebowała rewolucyjnych architektur AI. Jak zauważa Joe Byrnes, profesor z Uniwersytetu Teksańskiego w Dallas, modele są “komicznie dobre” w swojej pracy, a techniki zapożyczone z przetwarzania obrazów okazały się w zupełności wystarczające. To dowód na to, jak uniwersalne mogą być pewne rozwiązania w uczeniu maszynowym. Judith Hubbard, profesor z Uniwersytetu Cornella, nazywa ten postęp “niezwykłym”. Trudno się z nią nie zgodzić.
Co zyskujemy dzięki tej rewolucji? Od wulkanów po światłowody
Nowe możliwości AI już teraz przynoszą wymierne korzyści. Jednym z zastosowań jest obrazowanie systemów wulkanicznych. Aktywność wulkaniczna generuje mnóstwo małych trzęsień ziemi, których lokalizacja pomaga naukowcom zrozumieć strukturę komory magmowej. W badaniu z 2022 roku John Wilding i jego zespół wykorzystali katalog trzęsień ziemi wygenerowany przez AI do stworzenia niezwykle szczegółowego obrazu hawajskiego systemu wulkanicznego. Dostarczyli bezpośrednich dowodów na istnienie połączenia magmowego, które wcześniej było jedynie hipotezą. Taki poziom szczegółowości może w przyszłości umożliwić znacznie dokładniejsze prognozowanie erupcji.
Inny obszar to analiza danych z systemów DAS (Distributed Acoustic Sensing), które wykorzystują kable światłowodowe do pomiaru aktywności sejsmicznej na całej ich długości. Jak wyjaśnia Jiaxuan Li, profesor z Uniwersytetu w Houston, pojedyncza macierz DAS może generować setki gigabajtów danych dziennie – wystarczająco dużo, by wychwycić pojedyncze kroki. Bez AI przetworzenie takiej ilości informacji byłoby praktycznie niemożliwe. Dzięki nowym narzędziom naukowcy mogą z ogromną precyzją określać czas wstrząsów, co wcześniej było niewykonalne. A to dopiero początek. Li jest optymistą i wierzy, że AI pomoże w przyszłości odkryć w tych danych zupełnie nowe rodzaje sygnałów, o których istnieniu jeszcze nie wiemy.