هوش مصنوعی (AI) همیشه امکانات فراوانی را برای دانشمندان مهیا کرده است. پیش‌بینی پس‌لرزه‌ها، یکی از آن چالش‌های بزرگی است که محققین با استفاده از این فناوری به سراغ آن رفته‌اند.
داشتن اطلاعات بیشتر درباره آنچه که بعد از زلزله رخ می‌دهد یا به بیان ساده‌تر، پیش‌بینی پس‌لرزه‌ها، برای کشورهایی که یک زلزله بزرگ را تجربه کرده‌اند، مسئله مرگ و زندگی است. پس‌لرزه‌ها، اکثر اوقات می‌توانند باعث مرگ‌ومیرها و زخمی‌های بیشتر، خرابی ساختمان‌ها و پیچیده‌تر شدن عملیات امداد و نجات شوند.
پس‌لرزه‌های یک زلزله ویرانگر، اغلب می‌توانند به اندازه خود زلزله اصلی، مهیب باشند. حالا، دانشمندان سیستمی را برای پیش‌بینی اینکه چنین پس‌لرزه‌هایی در چه جاهایی می‌توانند اتفاق بیافتد، توسعه داده‌اند. این محققین، با استفاده از هوش مصنوعی به امکان پیش‌بینی پس‌لرزه‌ها دست یافته‌اند.
هوش مصنوعی به کمک پیش‌بینی پس‌لرزه‌ها می‌آید
یک تیم تحقیقاتی از دانشگاه هاروارد، نوعی هوش مصنوعی را توسعه و آموزش داده‌اند تا حجم عظیمی از داده‌های بدست آمده از سنسورها را تجزیه و تحلیل کند و فناوری یادگیری عمیق (Deep Learning) را برای انجام پیش‌بینی‌های دقیق‌تر به کار گیرد.
این محققین می‌گویند که سیستم جدید فعلا برای استفاده آماده نیست، اما در تشخیص پس‌لرزه‌ها، از مدل‌های پیش‌بینی کنونی قابل اعتمادتر است. این فناوری، در سا‌ل‌های پیش‌رو می‌تواند تبدیل به یک بخش حیاتی از سیستم‌هایی شود که جهت پیش‌بینی پس‌لرزه‌ها، مورد استفاده زلزله شناسان قرار می‌گیرند.
Brendan Meade، یکی از اعضای این تیم تحقیقاتی از دانشگاه هاروارد، می‌گوید: «سه چیز وجود دارد که شما می‌خواهید درباره زلزله‌ها بدانید: شما می‌خواهید بدانید که آن‌ها چه زمانی اتفاق می‌افتند، آن‌ها چقدر بزرگ هستند و قرار است کجا رخ بدهند. ما پیش از این، قوانین تجربی را برای پیش‌بینی اینکه آن‌ها چه زمانی اتفاق خواهند افتاد و چه اندازه بزرگ خواهند بود، داشتیم و اکنون ما در حال کار بر روی ضلع سوم هستیم؛ یعنی اینکه آن‌ها ممکن است کجا رخ بدهند.»
ایده استفاده از فناوری یادگیری عمیق برای این منظور، زمانی به ذهن Meade خطور کرده بود که او برای یک فرصت مطالعاتی در شرکت گوگل مشغول به کار بوده است. گوگل، شرکتی است که هوش مصنوعی را در بسیاری از زمینه‌های مختلف علوم و محاسبات به کار گرفته است.
هوش مصنوعی: یادگیری ماشین و یادگیری عمیق
یادگیری ماشین (Machine Learning)، تنها یک جنبه از هوش مصنوعی است و دقیقا همان چیزی است که از اسمش بر می‌آید: ماشین‌ها، از مجموعه‌ای از داده‌ها، یاد می‌گیرند؛ بنابراین آن‌ها می‌توانند از عهده مسائل جدیدی بربیایند که مشخصا برای مواجهه با آن‌ها برنامه‌ریزی نشده‌اند.
یادگیری عمیق، نوعِ پیشرفته‌تری از یادگیری ماشین است که از شبکه‌های عصبی (Neural Networks) برای تقلید از فرایندهای فکر کردن مغز بهره می‌گیرد. به عبارت ساده‌تر، یادگیری عمیق یعنی اینکه هوش مصنوعی در یک لحظه می‌تواند نتایج محتمل بیشتری را مشاهده کرده و نقشه پیچیده‌تری از فاکتورها و ملاحظات دخیل را ارزیابی کند؛ شبیه به کاری که نورون‌ها در مغز انجام می‌دهند.
این فناوری، برای کاربرد در مورد زلزله‌ها که شامل متغیرهای بسیار زیادی از جمله شدت لرزه، موقعیت صفحات تکتونیکی، نوع زمینی که در آن زلزله اتفاق می‌افتد و موارد دیگر هستند، بسیار عالی است. یادگیری عمیق، می‌تواند بطور بالقوه الگوهایی را نشان دهد که تحلیلگران انسانی هرگز قادر به تشخیص آن‌ها نیستند.
تحقیق جدید: نتایج و آینده آن
Meade و همکاران او، برای استفاده از یادگیری عمیق در مورد پس‌لرزه ها، از دیتابیسی که شامل ۱۳۱ هزار جفت زلزله و پس‌لرزه ثبت شده در ۱۹۹ زلزله پیشین بوده است، بهره گرفته‌اند. آن‌ها، به موتور هوش مصنوعی اجازه دادند تا با آنالیز این داده‌ها، فعالیت بیش از ۳۰ هزار جفت مشابه را پیش‌بینی کرده و احتمال وقوع پس‌لرزه‌ها را بر روی شبکه‌ای از واحدهای ۵ کیلومتر مربعی نشان دهد.
نتایج حاصله، با مدل تغییر تنش شکست کولمب (Coulomb failure stress change model) که در حال حاضر مورد استفاده قرار می‌گیرد، مقایسه شدند. اگر عدد ۱ نمایانگر دقت کامل باشد، مدل کولمب، امتیاز ۰٫۵۸۳ و سیستم هوش مصنوعی جدید، امتیاز ۰٫۸۴۹ را کسب کردند.
Phoebe DeVries، یکی از محققین این پروژه از دانشگاه هاروارد، می‌گوید: «من در مورد قابلیت یادگیری ماشین برای مواجهه با این نوع مسائل، بسیار هیجان‌زده هستم. این، مسئله خیلی مهمی است. پیش‌بینی پس‌لرزه، به طور خاص، چالشی است که بسیار با یادگیری ماشین سازگار است؛ برای اینکه پدیده‌های فیزیکی زیادی وجود دارند که رفتار پس‌لرزه را تحت تاثیر قرار می‌دهند و یادگیری ماشین در نشان دادن آن روابط، فوق‌العاده خوب است.»
به گفته پژوهشگران این مطالعه، موضوع کلیدی در اینجا، اضافه کردن معیار تسلیم فون میزس (von Mises yield criterion) به الگوریتم‌های هوش مصنوعی بود؛ معیاری که می‌تواند زمان شکست مصالح را تحت تنش‌های اعمال شده پیش‌بینی کند. این معیار که قبلا در رشته‌هایی مانند متالوژی کاربرد داشت، پیش از این، در مدلسازی زلزله‌ها چندان مورد استفاده قرار نمی‌گرفت.
اما هنوز راه زیادی در پیش است؛ چرا که محققین پروژه مذکور می‌گویند که مدل‌های هوش مصنوعی کنونی آن‌ها، تنها برای یک نوع پس‌لرزه و خطوط شکست ساده، طراحی شده‌اند؛ به عبارتی، سیستم جدید هنوز نمی‌تواند برای هر نوع زلزله ای که در اقصی نقاط جهان رخ می‌دهد، به کار برده شود. به‌علاوه، این سیستم در حال حاضر برای پیش‌بینی پس‌لرزه‌های مهلکی که می‌توانند یک یا دو روز بعد از اولین زمین لرزه اتفاق بیافتند، بسیار کند است.
با این‌حال، خبر خوب این است که شبکه‌های عصبی به کار رفته در این سیستم طوری طراحی شده‌اند که به طور مستمر در حال بهتر شدن هستند؛ به این معنا که سیستم با داشتن داده‌ها و چرخه‌های یادگیری بیشتر، باید به‌طور مداوم بهبود یابد.
DeVries می‌گوید: «من فکر می‌کنم که ما در واقع بخش کوچکی از آنچه را که در رابطه با پیش‌بینی پس‌لرزه‌ها قابل انجام است، به نمایش گذاشته‌ایم… و این، واقعا هیجان‌انگیز است.»
