Нейронные сети могут помочь предсказать разрушительные землетрясения

Иллюстрация сдвигового разлома на границе тектонической плиты. Тектонические плиты движутся параллельно друг другу, что приводит к так называемым сдвиговым землетрясениям с относительно небольшой деформацией. Исследователи RIKEN использовали искусственные нейронные сети для точного прогнозирования поведения земной коры в месте сдвигового разлома. фото: RIKEN

По словам исследователей RIKEN, искусственная нейронная сеть сделала первые шаги к прогнозированию времени и размера будущих разрушительных землетрясений. Их статья опубликована в журнале Nature Communications.

Землетрясения обычно происходят, когда части земной коры внезапно перемещаются вокруг разлома или разлома в породе. Это высвобождает огромное количество энергии напряжения, которая сотрясает окружающий регион, иногда вызывая огромные разрушения, например, в случае февральского землетрясения в Турции и Сирии.

Предсказание землетрясения до того, как оно произойдет, может дать людям достаточно времени для эвакуации из угрожаемых районов, потенциально спасая многие тысячи жизней. Но предсказание землетрясений, как известно, сложно.

Для создания математических моделей землетрясений исследователи часто проводят аналогию с дефектами в структурах кристаллов — трещины внутри кристаллов напоминают разломы в земной коре. Применительно к движению разломов земной коры эти "модели дислокаций" описывают движение и деформацию земной коры во время землетрясений.

Напротив, команда во главе с Наонори Уэдой из проекта RIKEN Center for Advanced Intelligence Project (AIP) рассмотрела возможность применения нейронной сети, которая изучает физические законы, называемой нейронной сетью, основанной на физике (PINN). Обычные нейронные сети изучают функциональные взаимосвязи между входами и выходами, тогда как PINN отличаются тем, что они учатся удовлетворять физической модели, описываемой уравнениями в частных производных.

Однако команда обнаружила, что PINN, который изучает непрерывные функции, будет сложно напрямую применить к таким случаям, как модели деформации земной коры, где смещение прерывистое по линии разлома.

Уэда и его коллеги преодолели эту трудность, используя специально разработанную систему координат для устранения разрыва между разломами. Это позволило им точно моделировать деформацию земной коры даже в регионах, близких к разломам.

"Предлагаемое моделирование имеет потенциал для реализации высокоточного прогнозирования", - говорит Уэда.

Исследователи обучали свои нейронные сети, используя физические законы, а не данные, что идеально подходит для приложений, где сбор данных может быть затруднен.

Чтобы продемонстрировать эффективность подхода, исследователи применили свои нейронные сети, основанные на физике, для моделирования сдвиговых разломов, при которых два блока земной коры перемещаются горизонтально вокруг вертикального разлома. Сеть может превратить информацию о конкретном местоположении внутри Земли в прогноз величины смещения земной коры в этой точке.

"Эта работа продемонстрировала способность ПИННА точно моделировать деформацию земной коры в сложных структурах", - говорит Томохиса Оказаки, также из AIP.

PINN представляют собой относительно новую форму машинного обучения, и исследователи надеются, что их подход может быть применен ко многим другим проблемам, связанным с деформацией земной коры.