وقتی فناوری هوش مصنوعی، زمین‌لرزه‌های پنهان را تشخیص می‌دهد

نقش هوش مصنوعی در پیش‌بینی زلزله

فناوری‌های جدید، زمین‌لرزه‌هایی را که مدت‌ها پنهان شده‌اند و نیز سرنخ‌های احتمالی درباره چگونگی تکامل آنها را پیدا می‌کنند. حرکات کوچک در لایه بیرونی زمین ممکن است یک سنگ روزتا Rosetta Stone برای رمزگشایی فیزیکی و علايم هشداردهنده زلزله‌های بزرگ فراهم کند. الگوریتم‌های جدید که تا حدودی مانند بینایی انسان کار می‌کنند، ریزلرزه‌هایی که مدت‌ها در کوه، پنهان و در حال رشد بوده‌اند، شناسایی می‌کنند.

نقش هوش مصنوعی در پیش‌بینی زلزله

• ‌ماجرا چیست؟

یک روز صبح، مصطفی موسوی، محقق ایرانی، در شهر ممفیس (در آمریکا)، حرکات زیگزاگی زمین را بررسی می‌کرد. او به عنوان بخشی از رساله دکترای خود در زمینه ژئوفیزیک، سیگنال‌های زلزله‌ای که شب قبل ضبط شده بود، اسکن می‌کرد. او تایید کرد الگوریتم‌های چند دهه قبل، زمین‌لرزه‌های واقعی، با شدت زیاد و نه لرزه‌های تولیدشده توسط حرکات معمولی مانند برخورد موج، عبور کامیون یا پایکوبی هواداران فوتبال را تشخیص می‌داده‌اند. این پژوهشگر که محقق دانشکده علوم زمین، انرژی و محیط-زیست دانشگاه استنفورد است، خاطرنشان می‌کند: «من تمام این کارهای خسته‌کننده را به مدت شش ماه انجام دادم. به داده‌ها، مداوم نگاه کردم. این، همان نکته‌ای بود که فکر کردم باید روش بهتری برای انجام این فعالیت‌ها وجود داشته باشد.»

در سال 2013، تلفن‌های هوشمند دستی، از قبل، دارای الگوریتم‌هایی بودند که می‌توانستند گفتار را به امواج صوتی تقسیم کرده و محتمل‌ترین کلمات را در این الگوها ارايه دهند. با استفاده از هوش مصنوعی، این تلفن‌ها، حتی می‌توانند از صداهای ضبط‌شده گذشته کمک بگیرند و با گذشت زمان، دقیق‌تر شوند. امواج لرزه‌ای و امواج صوتی خیلی متفاوت نیستند. یکی از طریق سنگ و سیال مایع حرکت می‌کند و دیگری از طریق هوا. با این وجود در حالی که یادگیری ماشینی نحوه پردازش و تعامل رایانه‌های شخصی با صدا را دگرگون کرده، الگوریتم‌های مورداستفاده برای شناسایی زمین‌لرزه‌ها از دهه 1980 به سختی تغییر کرده‌اند. این امر، باعث شده بسیاری از زمین‌لرزه‌ها قابل شناسایی نباشند.

با الگوریتم‌های موجود، از دست دادن زمین‌لرزه‌های بزرگ، گرچه بعید نیست اما نادر است. در همین حال، زمین‌‌لرزه‌های کوچک همیشه رخ می‌دهد. این «میکرولرزه‌ها» که در گسل‌های مشابه زمین‌لرزه‌های بزرگ‌تر رخ داده‌اند - شامل همان فیزیک و مکانیسم‌های مشابه - یک مخزن اطلاعات دست‌نخورده درباره چگونگی تکامل زمین‌لرزه‌ها را نشان می‌دهند؛ البته فقط در صورتی که دانشمندان بتوانند الگوریتم آنها را پیدا کنند. در مقاله اخیر منتشرشده در مجله Nature Communications موسوی و همكارانش، روش جدیدی را برای استفاده از هوش مصنوعی توصیف كردند تا میلیون‌ها مورد از این تغییرات ظریف زمین را موردتوجه قرار دهد.

• ‌تمرکز بر آنچه مهم است

موسوی، بلافاصله پس از بررسی دقیق لرزه‌نگاری‌های روزانه در ممفیس، کار روی فناوری اتوماتیک تشخیص زمین‌لرزه را آغاز کرد. او با مدل‌هایش تلاش کرد صدای ذاتی داده‌های لرزه‌ای را تنظیم کند. او چند سال بعد، پس از پیوستن به آزمایشگاه Beroza در استنفورد در سال 2017، در مورد چگونگی حل این مشکل با استفاده از یادگیری ماشینی تحقیق کرد.

اکنون گروه محققان، یک‌سری ردیاب‌های قدرتمند تولید کرده‌اند. یک مدل ردیاب به نام PhaseNet که توسط Beroza و دانشجوی تحصیلات تکمیلی Weiqiang Zhu در سال 2018 ساخته شده، از الگوریتم‌های پردازش تصویر پزشکی که شامل شناسایی دقیق شروع دو نوع مختلف امواج لرزه‌ای است، اقتباس شد. مدل یادگیری ماشینی دیگری که در سال 2019 منتشر شد و CRED لقب گرفت، از الگوریتم‌های محرک صوتی در سیستم‌های دستیار مجازی الهام گرفته و در تشخیص، موثر بود. هر دو مدل، الگوهای اساسی توالی زلزله را از مجموعه نسبتا کوچکی از لرزه‌نگارها که فقط در شمال کالیفرنیا ثبت شده، فراگرفتند.

در مقاله Nature Communications نویسندگان اظهار کرده‌اند آنها مدل جدیدی را برای شناسایی زمین‌لرزه‌های بسیار كوچك با سیگنال‌های ضعیف كه معمولا روش‌های فعلی از آن غافل می‌شوند و همچنین تعیین زمان دقیق مراحل لرزه‌ای با استفاده از داده‌های زلزله از سراسر جهان تهیه كرده‌اند. آنها آن را ترانسفورماتور زلزله یا مبدل زلزله می‌نامند.

به گفته موسوی، مدل او براساس PhaseNet و CRED ساخته شده است: «بینش خود را از زمانی که همه این کارها را دستی انجام می‌دادم، به‌دست آوردم.» به‌طور خاص مبدل زلزلهEarthquake Transformer  مانند تحلیلگران انسانی، موضوعات را از کل به جزء بررسی می‌کند؛ یعنی کل را درنظر می‌گیرد و بخش کوچک موردعلاقه خود را تحلیل می‌‌كند.

افراد، این کار را به صورت شهودی در زندگی روزمره انجام می‌دهند؛ یعنی جزيیات کمتر مهم را برای تمرکز بیشتر روی موارد مهم به کار می‌گیرند. دانشمندان کامپیوتر، آن را «مکانیزم توجه» می‌نامند و اغلب از آن برای بهبود ترجمه متن استفاده می‌کنند. موسوی معتقد است اما این امر، در زمینه شناسایی خودکار زلزله، موضوع جدیدی است. او می‌گوید: «من تصور می‌كنم این نسل جدید ردیاب‌ها برای نظارت بر زلزله، طی یك یا دو سال آینده، عادی خواهد شد.» همچنین بروزا، استاد علوم زمین در دانشگاه استنفورد می‌گوید: «این فناوری می‌تواند به تحلیلگران اجازه دهد تا بر استخراج كامل‌تر زلزله، تمرکز کنند و وقت آنها را برای تفكر بیشتر درباره معنای الگوهای زمین‌لرزه، آزادتر می‌كند.»

• ‌گسل‌های پنهان

درک الگوهای انباشت لرزش‌های کوچک طی دهه‌ها یا قرن‌ها می‌تواند کلید به‌حداقل رساندن شگفتی‌ها و آسیب‌ها، هنگام وقوع زلزله بزرگ‌تر باشد. زمین‌لرزه 1989 لوما پریتا Loma Prieta به عنوان یکی از ویران‌کننده‌ترین فاجعه‌های زلزله در تاریخ ایالات متحده و به عنوان یکی از بزرگ‌ترین فاجعه‌هایی است که در قرن گذشته در شمال کالیفرنیا رخ داده است. این موضوع، بیش از آنکه نشانه قدرت خارق‌العاده این زلزله باشد، بیانگر شکاف در زمینه آمادگی زلزله، نقشه‌برداری عوامل خطر و کدهای ساختمانی بود.

از هر پنج مورد از حدود 500 هزار زلزله که هر سال در جهان توسط حسگرهای لرزش زمین شناسایی می‌شود، فقط یک مورد به اندازه کافی، با قدرت اتفاق می‌افتد تا مردم متوجه آن شوند. در یک سال عادی، شاید 100 زمین‌لرزه، خسارت وارد کند.

اواخر دهه 1980، رایانه‌ها در حال تجزیه و تحلیل داده‌های لرزه‌ای ثبت‌شده دیجیتالی بودند. آنها وقوع و مکان زمین‌لرزه‌هایی مانند لوما پریتا را در عرض چند دقیقه تعیین کردند. با این وجود، محدودیت‌های موجود در رایانه‌ها و همچنین داده‌های موج‌ شکل، بسیاری از زمین‌لرزه‌های کوچک را شناسایی نکرده و بسیاری از زلزله‌های بزرگ‌تر، فقط به صورت جزيی اندازه‌گیری شدند.

پس از درس‌های دشوار این زمین‌لرزه، بسیاری از جوامع کالیفرنیایی به نقشه‌هایی تکیه کرده‌اند که مناطق گسل و مناطقی را نشان می‌دهد که زلزله در آنها بیشترین آسیب را وارد می‌کند. دستیابی به سابقه زمین‌لرزه‌های گذشته با ترانسفورماتور یا مبدل زلزله و سایر ابزارها می‌تواند نقشه‌ها را دقیق‌تر کرده و کشف گسل‌هایی را میسر سازد که شاید فقط در پی تخریب زمین‌لرزه بزرگ‌تر آشکار شوند؛ همان‌طور که در لوما پریتا در 1989 اتفاق افتاد یا زمین لرزه 6.7 ریشتری نورتریج در لس‌آنجلس که پنج سال بعد اتفاق افتاد. به گفته بروزا، هرچه اطلاعات بیشتری در مورد ساختار گسل عمیق و سه بعدی از طریق نظارت بهتر بر زمین‌لرزه‌های کوچک به‌دست آوریم، بهتر می‌توان زمین‌لرزه‌هایی را که در کمین آنها هستند، در آینده پیش‌بینی کرد.

• ‌ترانسفورماتور زلزله

برای تعیین موقعیت و بزرگی زمین‌لرزه، الگوریتم‌های موجود و کارشناسان انسانی، به‌طور یکسان، به-دنبال زمان رسیدن دو نوع امواج هستند. مجموعه اول معروف به امواج اولیه یا P به سرعت پیش می‌روند و هنگامی که از زمین عبور می‌کنند مانند Slinky زمین را هل می‌دهند، می‌کشند و فشرده می‌کنند. امواج بعدی، برشی یا S هستند که با سرعت کمتری حرکت می‌کنند اما با حرکت دادن زمین به آن طرف یا پایین، می‌توانند تخریب بیشتری ایجاد کنند.

برای آزمایش ترانسفورماتور یا مبدل زلزله، این تیم به دنبال این موضوع بود که چطور با زمین‌لرزه‌هایی که در داده‌های آموزشی برای آموزش الگوریتم‌ها به کار می‌رود، به نتیجه می‌رسد. داده‌های آموزش شامل یک میلیون لرزه‌نگار برچسب خورده با دست است که بیشتر در دو دهه گذشته در مناطقی که زمین‌لرزه اتفاق می‌افتد، به استثنای ژاپن، ثبت شده است. همچنین آنها در آزمایشی دیگر، پنج هفته، داده مداوم ثبت‌شده در منطقه‌ای در ژاپن را که 20 سال پیش به خاطر زمین‌لرزه 6.6 ریشتری توتوری Tottori و پس‌لرزه‌های آن، لرزیده، انتخاب و با این مدل، 21 هزار و 92 رویداد را شناسایی و مکان‌یابی کردند؛ بیش از دو و نیم برابر تعداد زمین‌لرزه‌های ثبت‌شده دستی! این نتیجه، با استفاده از داده‌های 18 ایستگاه از 57 ایستگاه که دانشمندان ژاپنی در ابتدا برای مطالعه استفاده می‌کردند، به‌دست آمد. ترانسفورماتور زلزله به‌ویژه به‌منظور زمین‌لرزه‌های کوچک که سخت‌تر است برای انسان انتخاب شود و با افزایش سنسورهای لرزه‌ای در تعداد قریب به اتفاق ثبت می‌شود‌، بسیار موثر است.

ویلیام الزورث استاد محقق دانشگاه استنفورد معتقد است پیش از این، مردم الگوریتم‌هایی را طراحی کرده بودند تا موج P را پیدا کنند. این یک مساله نسبتا ساده است. اما یافتن موج‌های S بسیار سخت‌تر است. برخی الگوریتم‌های دیگر توانسته‌اند کاتالوگ‌های بسیار دقیق زلزله را طراحی کنند - از جمله تعداد زیادی از زمین‌لرزه‌های کوچک که توسط تحلیلگران از دست رفته است - اما الگوریتم‌های منطبق الگوی آنها فقط در منطقه ارايه داده‌های آموزش عمل می‌کنند.

با فعال شدن ترانسفورماتور زلزله روی یک رایانه ساده، عملیات تجزیه و تحلیل توسط متخصصان که معمولا ماه‌ها طول می‌کشید طی 20 دقیقه به پایان رسید. این سرعت توسط الگوریتم‌ها، امکان جست‌وجو برای وجود زمین‌لرزه و زمان مراحل لرزه‌ای را به‌طور همزمان فراهم می‌کند و با استفاده از اطلاعات جمع‌آوری‌شده برای محدود کردن راه‌حل برای سایر موارد، نیز استفاده می‌شود. الزورث می‌گوید: «ترانسفورماتور زلزله نسبت به سایر روش‌ها، بیشتر و بهتر عمل می‌کند.» به گفته او، ما بسیار عمیق‌تر به روند زلزله نگاه می‌کنیم و اقدامات خود را با کارایی و دقت بیشتری انجام می‌دهیم.

محققان، مبدل زمین‌لرزه یا ترانسفورماتور زلزله را روی داده‌های تاریخی، آموزش داده و آزمایش کردند اما این فناوری تقریبا به محض وقوع زمین‌لرزه‌های کوچک، آماده است. به گفته بروزا، «نظارت بر زمین‌لرزه با استفاده از یادگیری ماشینی در زمان واقعی، در آینده نزدیک، انجام می‌شود.»