작년 5 월, 13 개월 동안 잠긴 후 워싱턴의 푸그 (Puget Sound) 아래의 땅이 생겨났습니다. 이 지진은 올림픽 산에서 20 마일 이상 시작되었으며 몇 주 동안 북서쪽으로 표류하여 캐나다 밴쿠버 섬에 도착했습니다. 그런 다음 코스를 간단히 뒤집어 미국 국경을 가로 질러 다시 이주하여 다시 침묵합니다. 한 달 동안 지진은 6 배로 등록하기에 충분한 에너지를 방출했을 가능성이 높습니다. 완료 당시 밴쿠버 섬의 남쪽 끝은 퍼시픽 바다에 센티미터 정도를 밀어 넣었습니다.
.그러나 지진이 시간과 공간으로 퍼져 나갔기 때문에 아무도 그것을 느끼지 못했을 가능성이 높습니다. 기존의 빠른 지진보다 지하에 더 깊이 발생하는 이러한 종류의 팬텀 지진은 "느린 미끄러짐"으로 알려져 있습니다. 그들은 태평양 북서부에서 1 년에 한 번에 발생하며, Juan de Fuca 판이 북미 판 아래에 천천히 쐐기를 잡는 결점을 따라 발생합니다. 2003 년 부터이 지역의 지진 방송국 네트워크에 의해 12 개 이상의 느린 슬립이 감지되었습니다. 지난 1 년 반 동안 이러한 사건은 지구 물리학 자 폴 존슨 (Paul Johnson)의 지진 예측에 새로운 노력의 초점이었습니다.
.Johnson의 팀은 머신 러닝을 사용하여 지진 물리학을 해제하고 임박한 지진의 경고 신호를 괴롭히는 소수의 그룹 중 하나입니다. 2 년 전, 이미지 및 음성 인식의 발전과 유사한 패턴 찾기 알고리즘을 사용하여 그와 그의 협력자들은 모델 실험실 시스템에서 Temblers를 성공적으로 예측했습니다.
이제 이번 주 과학적 사전 인쇄 사이트 arxiv.org에 게시 된 논문에서 Johnson과 그의 팀은 태평양 북서부의 느린 슬립 지진에 대한 알고리즘을 테스트했다고보고했습니다. 이 논문은 아직 동료 검토를받지 못했지만 외부 전문가들은 결과가 화를 내고 있다고 말합니다. Johnson에 따르면, 그들은 알고리즘이 느린 슬립 지진의 시작을“며칠 내에 - 그리고 아마도 더 나은 것”으로 예측할 수 있음을 나타냅니다.
.Rice University의 지진 학자 인 Maarten de Hoop는“이것은 흥미로운 발전입니다. "처음으로, 나는 지진 예측을 향한 우리가 실제로 진전을 이루는 순간이 있다고 생각합니다.
Stanford University의 지구 물리학자인 Mostafa Mousavi는 새로운 결과를“흥미롭고 동기 부여”라고 불렀습니다. 그는 기계 학습이 치명적인 지진을 안정적으로 예측할 수 있기 전에 갈 길이 멀다는 분야의 De Hoop 및 현장의 다른 사람들은 불가능하지는 않지만 불가능하지는 않지만 일부 장애물이 어려울 수 있다고 강조합니다. 그럼에도 불구하고 과학자들이 수십 년 동안 어려움을 겪고 희망의 희미한 소리를 거의 보지 못한 분야에서 머신 러닝은 최고의 샷 일 수 있습니다.
스틱과 슬립
리히터 규모의 지진이 지진으로 지진은 지진 예측이“아마추어, 크랭크, 그리고 홍보하는 페이커를위한 행복한 사냥터”를 제공 할 수 있다고 지적했다. 오늘날 많은 지진 학자들은 그들이 세 가지 모두에서 공정한 몫을 보았다고 말할 것입니다.
그러나 뒷받침 된 이론을 뒷받침하는 이론을 맹렬히 잘못 인도 한 것처럼 보이는 평판이 좋은 과학자들도 있었다. 아테네 대학교 지구 물리학 자 Panayiotis varotsos가 있었는데, 그는“지진 전기 신호”를 측정함으로써 임박한 지진을 감지 할 수 있다고 주장했다. 1980 년대 초 페루에서 연속 거짓 경보를 한 미국 광산 국의 물리학자인 브라이언 브래디 (Brian Brady)가 있었는데, 지하 광산의 바위 버스트가 다가오는 지진의 징후라는 말을 기반으로했다.
.Paul Johnson은이 체크 무늬 역사를 잘 알고 있습니다. 그는 단순한 문구“지진 예측”이 여러 분기에 금기라는 것을 알고 있습니다. 그는 2012 년 살인 혐의로 유죄 판결을받은 6 명의 이탈리아 과학자들이 중앙 이탈리아 마을 인 L 'Aquila 근처의 지진의 기회를 경시 한 것으로 알고 있습니다. (유죄 판결은 나중에 전복되었습니다.) 그는“지진을 예측할 수 없다는 것을 강제로 선언 한 저명한 지진 학자들에 대해 알고 있습니다.”
.그러나 존슨은 또한 지진이 물리적 과정이라는 것을 알고 있습니다. 그리고 그는 그의 주요 목표가 결함 물리학을 더 잘 이해하는 것이라고 강조하지만, 예측 문제에서 벗어나지 않았습니다.
10 년 전, Johnson은 10 년 전 얇은 세분화 된 재료로 분리 된 슬라이딩 블록으로 만든“실험실 지진”을 연구하기 시작했습니다. 지각 판과 마찬가지로 블록은 매끄럽게 미끄러지지 않고 맞지 않고 시작합니다. 일반적으로 전단 응력이 갑자기 미끄러질 정도로 커질 때까지 마찰로 고정 된 한 번에 몇 초 동안 함께 붙어 있습니다. 지진의 실험실 버전 인 그 슬립은 스트레스를 방출 한 다음 스틱 슬립 사이클이 새로 시작됩니다.
Johnson과 그의 동료들이 스틱 슬립 사이클 동안 방출 된 음향 신호를 기록했을 때, 그들은 각 슬립 직전에 날카로운 봉우리를 발견했습니다. 이러한 전구체 사건은 지진 이전에 예초에 의해 생성 된 지진파와 동등한 실험실이었다. 그러나 지진 학자들이 메인 지진이 발생할시기에 대한 예측을 예측하기 위해 고군분학하는 것처럼, Johnson과 그의 동료들은 선구자 사건을 실험실 지진의 신뢰할 수있는 예측으로 바꾸는 방법을 알 수 없었습니다. 존슨은 이렇게 회상했다. "진행할 방법을 볼 수 없었습니다."
몇 년 전 Los Alamos에서 열린 회의에서 Johnson은 그의 딜레마를 이론가들에게 설명했습니다. 그들은 기계 학습을 사용하여 자신의 데이터를 재분석 할 것을 제안했습니다. 오디오 데이터에서 패턴을 인식하는 데 능숙한 것으로 잘 알려진 접근법입니다.
.과학자들은 함께 계획을 세웠습니다. 그들은 각 실험 실행 중에 기록 된 약 5 분의 오디오를 사용하여 20 개 정도의 스틱 슬립 사이클을 포함하여 많은 작은 세그먼트로 자릅니다. 각 세그먼트에 대해 연구자들은 평균 신호, 그 평균에 대한 변동 및 세그먼트에 전구체 이벤트가 포함되어 있는지에 대한 정보를 포함하여 80 개 이상의 통계적 특징을 계산했습니다. 연구원들은 데이터를 뒤늦게 분석하고 있었기 때문에 각 사운드 세그먼트와 실험실 결함의 후속 실패 사이에 얼마나 많은 시간이 지났는지 알았습니다.
이 교육 데이터로 무장 한 그들은 "랜덤 포레스트"머신 러닝 알고리즘으로 알려진 것을 사용하여 실패 전 남은 시간과 밀접하게 관련된 기능의 조합을 체계적으로 찾아 보았습니다. 몇 분 분량의 실험 데이터를 본 후, 알고리즘은 음향 방출 단독의 특징에 따라 실패 시간을 예측하기 시작할 수 있습니다.
.Johnson과 그의 동료들은 신경망 및 기타 인기있는 기계 학습 알고리즘과 비교할 때 임의의 산림은 상대적으로 쉽게 해석하기 쉽기 때문에 다음 슬립의 시간을 예측하기 위해 임의의 산림 알고리즘을 사용하기로 결정했습니다. 알고리즘은 본질적으로 일부 통계 기능에 따라 각 분기가 데이터 세트를 분할하는 의사 결정 트리처럼 작동합니다. 따라서 트리는 예측에 사용 된 알고리즘을 특징으로하는 레코드를 보존합니다. 그리고 알고리즘이 그러한 예측에 도달하는 데 도움이되는 각 기능의 상대적 중요성.
.
Los Alamos 연구원들이 알고리즘의 내부 작업을 조사했을 때, 그들이 배운 것은 그들을 놀라게했습니다. 통계적 특징 알고리즘이 예측에 대해 가장 많이 의지 한 것은 실험실 지진 직전에 전구체 사건과 관련이 없었다. 오히려, 그것은 분산 (신호가 평균에 대해 변동하는 방식의 척도)이었으며 실패 직전의 순간이 아니라 스틱 슬립 사이클 전체에서 방송되었습니다. 분산은 작게 시작한 다음 지진으로 런닝하는 동안 점차 상승 할 것입니다. 이 차이를 알면 알고리즘은 슬립이 언제 발생하는지에 대해 괜찮은 추측을 할 수 있습니다. 전구체 사건에 대한 정보는 이러한 추측을 개선하는 데 도움이되었습니다.
이 발견은 큰 잠재적 영향을 미쳤다. 수십 년 동안, 지진 예후가 예지 된 예후와 다른 고립 된 지진 사건에 참여했습니다. Los Alamos 결과는 모든 사람이 잘못된 장소를보고 있다고 제안했습니다. 예측의 열쇠는 대신 대신 큰 지진 사건 사이의 비교적 차분한시기에 더 미묘한 정보 방송에 놓여 있습니다.
.확실히, 슬라이딩 블록은 진정한 지질 학적 결함의 화학적, 열 및 형태 학적 복잡성을 포착하기 시작하지 않습니다. 기계 학습이 실제 지진을 예측할 수 있음을 보여주기 위해 Johnson은 실제 결함에 대해 테스트해야했습니다. 그는 태평양 북서부보다 더 좋은 곳이 무엇입니까?
실험실에서지구상의 모든 지진을 경험할 수있는 모든 장소가 지구상의 지진을 경험할 수있는 것은 아니지만, 하나의 지각 판은 다른 지각 판 아래에서 다이빙하는 섭입 구역입니다. 일본의 동쪽에있는 섭입 구역은 2011 년 에이 나라의 해안선을 황폐화시킨 도호쿠 지진과 그 후의 쓰나미를 담당했습니다. 어느 날, Cascadia subduction Zone은 북미 판 아래에서 Juan de Fuca 판이 Puget Sound, Vancouver Island 및 주변 태평양 북서부를 파괴 할 것입니다.
Cascadia subduction Zone은 북부 캘리포니아 주 케이프 멘도코에서 밴쿠버 섬까지 약 1,000km 떨어진 태평양 해안선을 따라 뻗어 있습니다. 1700 년 1 월에 마지막으로 침해되었을 때, 그것은 일본 해안에 도달 한 9 개의 템 블러와 쓰나미를 낳았습니다. 지질 학적 기록에 따르면 Holocene 전반에 걸쳐 결함은 그러한 대형 대기업이 약 반 밀레니엄마다 한 번마다 수백 년을 주거나 소요되었다고 제안합니다. 통계적으로 말하면, 다음 큰 것은 지금이 세기입니다.
이것이 지진 학자 들이이 지역의 느린 미끄러짐 지진에주의를 기울인 이유 중 하나입니다. 섭입 구역 결함의 낮은 도달 범위의 느린 미끄러짐은 빠르고 치명적인 지진이 발생하는 위의 부서지기 쉬운 빵 껍질에 소량의 스트레스를 전달하는 것으로 생각됩니다. Puget Sound-Vancouver Island 지역에서 각각의 느린 미끄러짐으로 인해 Pacific Northwest Megaquake 래칫의 가능성이 약간 약간 높아집니다. 실제로, 일본에서는 토호쿠 지진으로 이어지는 달에 일본에서 느린 미끄러짐이 관찰되었습니다.
그러나 Johnson에게는 느린 슬립 지진에주의를 기울여야 할 또 다른 이유가 있습니다. 많은 데이터를 생산합니다. 비교를 위해 지난 12 년 동안 Puget Sound와 Vancouver Island 사이의 결함이 늘어나는 데 큰 지진은 없었습니다. 같은시기에, 결함은 12 개의 느린 미끄러짐을 생성했으며, 각각은 상세한 지진 카탈로그에 기록되었습니다.
이 지진 카탈로그는 Johnson의 실험실 지진 실험의 음향 기록에 대한 실제 대응입니다. 그들이 음향 기록과 마찬가지로 Johnson과 그의 동료들은 지진 데이터를 작은 세그먼트로 잘라내어 각 세그먼트를 통계적 특징으로 특성화했습니다. 그런 다음 과거의 느린 슬립 이벤트의 타이밍에 대한 정보와 함께 해당 교육 데이터를 기계 학습 알고리즘에 공급했습니다.
2007 년부터 2013 년까지의 데이터에 대한 교육을받은 후 알고리즘은 각 이벤트 전 몇 달 동안 기록 된 데이터를 기반으로 2013 년에서 2018 년 사이에 발생한 느린 슬립에 대한 예측을 할 수있었습니다. 주요 특징은 실험실 실험에서 음향 신호의 분산과 밀접한 관련이있는 지진 에너지였다. 분산과 마찬가지로, 지진 에너지는 각각의 느린 슬립에 대한 런업에서 특징적인 방식으로 상승했습니다.
Cascadia 예측은 실험실 지진에 대한 것만 큼 정확하지 않았습니다. 예측이 실험실 연구보다 새로운 결과에서 관측치가 얼마나 잘 적합한지를 특징 짓는 상관 관계 계수. 그럼에도 불구하고 알고리즘은 2013 년에서 2018 년 사이에 발생한 5 개의 느린 슬립 중 하나를 제외한 모든 것을 예측할 수 있었으며, 시작 시간을 며칠 내에 찾아 냈다고 Johnson은 말합니다. (2019 년 8 월에 발생한 느린 슬립은 연구에 포함되지 않았습니다.)
De Hoop에게 큰 테이크 아웃은“기계 학습 기술은 우리에게 복도를 주었고, 우리가 이전에 식별하거나 본 적이없는 것들을 찾기 위해 데이터를 검색하는 데 입력했습니다.” 그러나 그는해야 할 일이 더 많다고 경고합니다. “중요한 단계가 취해졌습니다. 매우 중요한 단계입니다. 그러나 그것은 올바른 방향으로의 작은 작은 단계와 같습니다.”
냉정한 진실
지진 예측의 목표는 결코 느린 미끄러짐을 예측하지 못했습니다. 오히려 그것은 생명과 사지에 위험을 초래하는 갑작스럽고 치명적인 지진을 예측하는 것입니다. 기계 학습 접근 방식의 경우, 이것은 지진 학자들이 가장 많이 포기하고자하는 가장 큰 지진 인 것처럼 보이는 역설을 제시합니다. 머신 러닝 알고리즘은 어떻게 자신감을 가지고 그들을 예측하기에 충분한 교육 데이터를 얻을 수 있습니까?
Los Alamos 그룹은 알고리즘이 실제로 예측하기 위해 치명적인 지진을 훈련시킬 필요가 없다고 내기하고 있습니다. 최근의 연구에 따르면 작은 지진 이전의 지진 패턴은 더 큰 지진과 통계적으로 유사하며, 어느 날, 어느 날, 단일 결함에서 수십 개의 작은 지진이 발생할 수 있습니다. 수천 개의 작은 템플러를 훈련받은 컴퓨터는 큰 것을 예측할 수있을만큼 다양 할 수 있습니다. 머신 러닝 알고리즘은 언젠가 실제 데이터의 프록시 역할을 할 수있는 빠른 지진의 컴퓨터 시뮬레이션을 훈련시킬 수 있습니다.
.그럼에도 불구하고 과학자들은이 냉정한 진실에 직면 할 것입니다. 지진의 위기에 결함을 유발하는 물리적 과정은 예측 가능할 수 있지만, 지진의 실제 유발, 즉 본격적인 결함 파열로의 작은 지진 방해가 성장하는 것은 대부분의 과학자들이 적어도 무작위성의 요소를 포함한다고 믿는다. 그것이 기계가 아무리 잘 훈련 되더라도 지진을 예측할 수있을뿐만 아니라 과학자들이 다른 자연 재해를 예측할 수 없을 수도 있습니다.
.Johnson은“타이밍과 관련하여 아직 어떤 예측이 예상되는지 모르겠습니다. “허리케인과 같을까요? 아니요, 그렇게 생각하지 않습니다.”
최고의 사례 시나리오에서 큰 지진에 대한 예측은 아마도 몇 주, 몇 달 또는 몇 년의 시간을 가질 것입니다. 이러한 예측은 아마도 템 블러 전날 대량 대피를 조정하는 데 사용할 수 없었을 것입니다. 그러나 그들은 공공 준비를 높이고, 공무원이 안전하지 않은 건물을 개조하려는 노력을 목표로하고, 그렇지 않으면 치명적인 지진의 위험을 완화 할 수 있습니다.
.존슨은 그것을 노력할 가치가있는 목표로보고 있습니다. 그러나 현실 주의자는 시간이 걸릴 것이라는 것을 알고 있습니다. "나는 우리가 평생 지진을 예측할 것이라고 말하는 것이 아닙니다."라고 그는 말했습니다.“그러나 우리는 많은 진전을 이룰 것입니다.”
.이 기사는 에 재 인쇄되었습니다 wired.com .
