شناسایی زمان و مکان زمین لرزه ها با هوش مصنوعی

تا به حال، گروه های علمی زیادی با صرف هزینه های فراوان سعی کرده اند تا بتوانند زمان و مکان زلزله های بزرگ پیش رو را پیش بینی کنند. اما بر خلاف پیش بینی آب و هوا که با استفاده از ماهواره های پیشرفته تر و مدل های ریاضی توانمند بهبود قابل توجهی داشته است، پیش بینی زلزله با شکست های متوالی رو به رو شده است.

برخی از بزرگترین زلزله های دنیا (مانند زلزله 1980 چین، 2010 هائیتی و 2011 ژاپن) در مناطقی رخ داده است که مطابق با نقشه های خطر لرزه ای نسبتاً امن بوده اند. آخرین زلزله بزرگ لس آنجلس (منطقه نورث ریج در سال 1994) بر روی گسلی رخ داد که اصلاً بر روی نقشه های لرزه خیزی وجود نداشت.

نمایی از خرابی های زلزله نورث ریج در سال ۱۹۹۴

حال به کمک هوش مصنوعی تعداد فزاینده ای از محققین اعلام کرده ‏‏اند که تغییراتی در این حوزه در حال رخ دادن است به گونه ای که آن ها را قادر می سازد تا حجم زیادی از اطلاعات مربوط به زلزله را تحلیل کرده و به کمک آن زلزله ها را بهتر درک کنند، رفتار آنها را پیش بینی کرده و بتوانند سریع تر و دقیق تر اعلان خطر نمایند.

من برای اولین بار در زندگی حرفه ای خود خوشحالم از این که در رابطه با این مسأله (پیش بینی زلزله) پیشرفت خواهیم کرد.

پائول جانسون (Paul Johnson)، محقق آزمایشگاه ملی لس آلاموس (Los Alamos National Laboratory)

محققین با توجه به آگاهی از شکست های قبلی در پیش بینی زلزله، نسبت به اعلام میزان پیشرفت در این حوزه با استفاده از هوش مصنوعی قدری محافظه کارانه عمل می کنند. برخی از محققین، استفاده از کلمه پیش گویی (Prediction) را فریب کارانه می دانند. چرا که آن ها حتی نمی خواهند اعلام کنند که امکان پیش گویی وجود دارد. از نظر این گروه، یک هدف مهم وجود دارد و آن فراهم کردن پیش بینی های قابل اطمینان (Reliable Forecasts) است.

احتمالات وقوع زلزله که بر مبنای آن نقشه های خطر لرزه ای (Seismic Hazard Maps) تهیه می شود، می تواند عواقب مهمی داشته باشد؛ مخصوصاً به این علت که مبنایی برای مهندسین در طراحی سازه ها قرار می گیرند. منتقدان معتقدند که این نقشه ها از دقت لازم برخوردار نیستند.

نقشه خطر لرزه ای خاور میانه

به عنوان مثال، نقشه ای از لس آنجلس احتمال وقوع زلزله هایی با شدت زیاد را در یک دوره زمانی خاص (معمولاً 50 ساله) مشخص می سازد. این نقشه ها مبتنی بر فرمول پیچیده ای که شامل پارامترهایی هم چون فاصله از یک گسل، سرعت لغزش یک گسل بر روی دیگری و احتمال بازگشت زلزله ها در یک منطقه است، تهیه می گردد.

طی مطالعه ای که توسط کاترین ام. شارر (Katherine M. Scharer) از سازمان زمین شناسی آمریکا انجام شد، تاریخ های 9 زمین لرزه اخیر رخ داده در بخش کالیفرنیای جنوبی پیرامون گسل سن آندریاس (San Andreas) از قرن هشتم تاکنون، تخمین زده شد. آخرین زلزله بزرگ رخ داده در سن آندریاس مربوط به سال 1857 بوده است.

از آن جایی که میانگین دوره بازگشت این زلزله های بزرگ 135 سال بوده است، می توان این گونه تفسیر کرد که سن آندریاس در آستانه یک زلزله بزرگ قرار دارد. اما از آن جایی که فاصله بین زلزله های قبلی در محدوده وسیعی بین 44 تا 305 سال قرار دارد، استفاده از میانگین این مقادیر ابزار خوبی برای پیش بینی نیست. زلزله بزرگ بعدی می تواند فردا رخ دهد، یا یک قرن دیگر و یا حتی دیرتر.

این امر، یکی از انتقادات فیلیپ استارک (Philip Stark) استاد دانشگاه برکلی (University of California, Berkeley) در بخش علوم ریاضی و فیزیک است. دکتر استارک معتقد است که سیستم کلی احتمالات زلزله قدری بی معنی و گمراه کننده است. به این دلیل، خواستار تغییر آن شده است.

پژوهش جدید مبتنی بر هوش مصنوعی در مورد زلزله ها مبتنی بر شبکه های عصبی (Neural Networks) است، یعنی همان فناوری ای که به پیشرفت بسیاری از حوزه ها، از دستیارهای صوتی گرفته تا خودروهای بدون راننده، شتاب داده است. شبکه های عصبی می توانند با بهره گیری از ریاضیات پیچیده و متکی بر مجموعه داده های بزرگ، آموزش ببینند.

دانشمندان می گویند که اطلاعات لرزه ای به طرز قابل توجهی مشابه با اطلاعات صوتی است که شرکت هایی هم چون گوگل و آمازون در آموزش شبکه های عصبی دستیارهای صوتی مانند Alexa جهت تشخیص فرمان های صوتی استفاده می کنند. هنگام مطالعه زلزله ها در این روش جدید، کامپیوتر به جای تکیه بر چشمان خسته دانشمندان، به دنبال یافتن الگوهایی در حجم وسیعی از داده ها است.

ما (با استفاده از این روش) دنباله ای از حرکت های لرزه ای ثبت شده زمین را به جای دنباله ای از کلمات داریم که در آن ها به دنبال یافتن الگوهای مشابه هستیم.

دکتر راس (Zachary Ross)، پژوهشگر آزمایشگاه لرزه شناسی موسسه فناوری کالیفرنیا (California Institute of Technology’s Seismological Laboratory)

برندن مید (Brendan Meade) استاد علوم زمین شناسی در دانشگاه هاروارد (Harvard) یکی دیگر از کسانی است که پس از طی دوره کارآموزی در شرکت گوگل به عنوان یکی از شرکت های پیشرو در زمینه هوش مصنوعی، به استفاده از این روش ها جهت پیش بینی زلزله روی آورده است. اولین پروژه او نشان می دهد که استفاده از روش های مبتنی بر یادگیری ماشین (Machine Learning)، حداقل به آزمایش ها سرعت زیادی می بخشد. او به همراه دانشجوهای تحصیلات تکمیلی خود با استفاده از روش شبکه های عصبی توانستند تحلیل زلزله را 50 بار سریع تر از قبل انجام دهند. در واقع آن چه روزها زمان نیاز داشته است، حالا ظرف فقط چند دقیقه انجام می شود.

هم چنین بر اساس یافته های دکتر مید (Meade)، این روش های مبتنی بر هوش مصنوعی می تواند منجر به بینش های جدیدی گردند. او به همراه سایر محققین از گوگل و هاروارد مقاله ای را منتشر کرده است که نشان می دهد شبکه های عصبی قادر به پیش بینی پس لرزه های زلزله نیز هست. او معتقد است این نوع پروژه ها تغییر زیادی در علم زلزله ایجاد خواهد کرد. پروژه های تحقیقاتی مشابهی نیز در موسسه فناوری کالیفرنیا و دانشگاه استنفورد (Stanford University) در جریان است.

در حال حاضر درست در نقطه ای قرار گرفته ایم که فناوری می تواند به مانند و یا حتی بهتر از انسان های متخصص عمل کند.

دکتر راس (Ross)

دانشمندان با در نظر گرفتن این فرض خوش بینانه که حسگرها روز به روز کوچکتر و ارزان تر شوند، قادر به ثبت و جمع­ آوری حجم زیادی از داده ها خواهند بود. آن ها امیدوارند که به مدد شبکه های عصبی و روش های مشابه در هوش مصنوعی، بتوانند نگاه جدیدی را از این داده ها استخراج کنند.

دکتر راس و سایر محققین موسسه فناوری کالیفرنیا، از این روش ها برای ساخت سامانه هایی استفاده می کنند که قادر هستند به صورت دقیق تر زلزله ها را تشخیص داده و موقعیت کانون زلزله و چگونگی انتشار امواج لرزه ای را پیش بینی کنند.

کشورهای ژاپن و مکزیک از سامانه های هشدار اولیه استفاده می کنند و کالیفرنیا نیز سامانه خود را راه اندازی کرده است. اما دانشمندان معتقدند که هوش مصنوعی می تواند دقت این سامانه ها را تا حد زیادی افزایش داده و کمک کند تا جهت و شدت شکست در پوسته زمین پیش بینی شود تا بتوان هشدارهای اولیه را به بیمارستان ها و سایر مراکزی که جهت آمادگی نیاز به هشدار پیش از وقوع دارند، در دستور کار قرار داد.

جزئیات بیشتر، پیش بینی بهتر و دقیق تر را به همراه دارد.

دکتر راس (Ross)

دانشمندانی که در این پروژه ها مشغول هستند، معتقدند که شبکه های عصبی محدودیت هایی نیز دارند. اگر چه این روش در شناسایی سیگنال های آشنا از میان داده ها خوب عمل می کند، اما لزوماً قادر به شناسایی انواع جدید سیگنال ها نیستند. به عنوان مثال می توان از صدایی که در هنگام خرد شدن صفحات تکتونیکی زمین (Tectonic Plates) تولید می شود، نام برد.

نمونه ای از خروجی الگوریتم های شبکه عصبی در زمین لرزه های مختلف

اما در لس آلاموس (Los Alamos)، دکتر جانسون (Johnson) و همکارانش نشان داده اند که یک روش یادگیری ماشین که جنگل تصادفی (Random Forests) نام دارد، می تواند در مورد یک گسل شبیه سازی شده در آزمایشگاه، سیگنال های ناشناخته ذکر شده را شناسایی کند. سامانه آن ها نشان داد که یک صدای خاص که از گسل تولید شده و قبلاً توسط دانشمندان بی مفهوم تلقی شده بود، در واقع نشان دهنده زمان رسیدن زلزله است.

برخی از دانشمندان مانند رابرت گلر (Robert Geller)، لرزه شناس دانشگاه توکیوی ژاپن، در رابطه با بهبودهای پیش بینی زلزله توسط هوش مصنوعی تردید دارند. او همین فرضیه که زلزله های رخ داده قبلی می توانند زلزله های آینده را پیش بینی کنند را مورد پرسش قرار داده است. او در نهایت معتقد است که ما تنها زمانی می توانیم به اثربخشی پیش بینی با استفاده از هوش مصنوعی پی ببریم که بتوانیم زلزله را بر اساس احتمالات تصادفی پیش بینی کنیم.

هیچ میانبری وجود ندارد. وقتی نمی توانید آینده را پیش بینی کنید، پس فرضیه شما غلط است.

رابرت گلر (Robert Geller)