Bilim insanları, büyük bir depremin tam olarak ne zaman ve nerede meydana geleceğini ve bunun ne kadar büyük olacağını tahmin etmek için yıllardır büyük çaba gösteriyor. Şu ana kadar araştırmalar yetersiz kalmış olsa da, umut verici gelişmeler yok değil.
New Mexico'daki Los Alamos Ulusal Laboratuvarı'nda bir jeofizikçi olan Dr. Paul Johnson, ekibinin deprem tahminini hayal olmaktan çıkartabilecek bir araç geliştirmesine öncülük ettiğini söylüyor. Günümüzdeki pek çok bilimsel girişimde olduğu gibi, araştırma ekibinin yaklaşımı da makine öğrenimi (ML) biçimindeki yapay zekayı (AI) temel alıyor.
Ancak sismologlar için makine öğreniminin kullanımı henüz başlangıç aşamasında. En yaygın deprem olayları olan tutma - bırakma depremleri için mevcut olan nicel verilerin (deprem büyüklükleri, sarsıntı şiddetleri gibi) olmaması ise zorluğu arttırıyor.
Büyük depremler, Dünya'nın tektonik plakaları arasındaki sınırlarda veya sınırların yakınında jeolojik fayların hareketinden kaynaklanıyor ve araştırmacılar temel olarak bu noktalarda veri arıyor. Ancak tutma - bırakma depremleri için, yıkıcı kaymadan önceki süreç çok uzun zaman alıyor ve gerinim biriktikçe bir fay üzerinde çok az hareket oluyor. Araştırmacıların depremleri düzgün bir şekilde incelemek için, gerçekleştikleri anda belgelemeleri gerekiyor. Bunun zorluğundan dolayı, veri kümesi oldukça sınırlı kalıyor.
Dr. Johnson ise farklı türde bir sismik aktiviteye yöneliyor: Yavaş - kaymalı depremler. Benzer şekilde tektonik levhaların hareketinden kaynaklanan bu olaylar, tutma - bırakma olaylarındaki saniyelerin aksine saatler, günler ve hatta haftalara yayılıyor. Bu olayların yavaşlığı, araştırmacılar için büyük bir hazine olabiliyor. Bu uzun süreçlerden, sinir ağını sismik aktiviteyi tahmin etmek için daha iyi eğitebilecek bir dizi veri noktası üretilmesi mümkün oldu.
Araştırma ekibinin makine öğrenimi sistemi, Kuzeybatı Pasifik'in Cascadia Batma Bölgesi'nde tahmine dayalı yetenekler gösterdi. Yavaş fay hareketlerinden yayılan 12 yıllık sismik ses kaydını dinleyen sistem, onlardan önce gelen sismik sinyallere dayalı olarak geçmiş yavaş kayma olaylarını yansıtmak (geçmiş olayları yeniden oluşturmak) için modeller arayabildi. Bu yansıtmayla, ekibin bir hafta kadar sonra ne olacağını tahmin edebileceği gösterildi.
Dr. Johnson'ın çalışması, makine öğrenimi tekniklerinin sismik olaylarda (yavaş kayma) gerçekten kullanılabilir olduğunu gösterse de, bu öngörüyü depremlere (tutma - bırakma) kadar genişletmek için veri eksikliğinin telafi edilmesi gerekecek. Araştırmacılar, bu eksiği gidermek amacıyla bir laboratuvarda tutma - bırakma olaylarını taklit etmek amacıyla minyatür depremleri simüle ettiler. Toplanan veriler kullanılarak, laboratuvar depreminin ince ayarlı bir sayısal simülasyonu oluşturuldu ve daha sonra gerçek olaylardan alınan verilerle birleştirildi.
Sonuç olarak bir laboratuvar depreminin ne zaman meydana geleceğini tahmin etmede etkili olan etkili bir makine öğrenimi modeli elde edildi.
Dr. Johnson'ın ekibi, deprem tahminlerini gelecekte gerçek bir jeolojik faya, muhtemelen San Andreas fayına uygulamayı planlıyor. Fayın sayısal simülasyonundan elde edilen veriler ile gerçek depremlerden elde edilen verilerin kombinasyonu, ML sistemlerini eğitmek için kullanılacak.
Modelin eğitim verilerinde yer almayan sismik olayları tahmin etmek için ne kadar doğrulukla kullanılabileceğini görmek için daha fazla araştırma ve çalışma gerekecek. Ancak her şey yolunda giderse, sismologlar yakında depremleri önceden tahmin edecek kadar doğru araçlara sahip olabilir.