預測地震是地震學的聖盃。畢竟，地震之所以致命，正是因為它們的不規律性——毫無預警地發生，引發火災和海嘯，有時會造成數十萬人死亡。如果科學家能夠在大型地震發生前數週或數月向公眾發出警告，疏散和其他準備工作就可以挽救無數生命。
到目前為止，儘管許多科學家都嘗試過，但沒有人找到可靠的地震預測方法。一些專家認為這是一種毫無希望的努力。“如果你說你認為自己會在預測地震方面取得進展，你會被視為一個瘋子，”洛斯阿拉莫斯國家實驗室的地球物理學家保羅·約翰遜說。但他仍然在嘗試，他使用了一種他認為有可能解決這個不可能的難題的強大工具：人工智慧。
世界各地的研究人員花費了數十年的時間研究他們認為可能可靠地預測地震的各種現象：前震、電磁擾動、地下水化學變化，甚至是異常的動物行為。但是，這些都沒有持續奏效。數學家和物理學家甚至在 20 世紀 80 年代和 90 年代嘗試將機器學習應用於地震預測，但都無濟於事。“整個主題都處於一種停滯狀態，”哥倫比亞大學拉蒙特-多爾蒂地球觀測站的地震學家克里斯·肖爾茨說。
關於支援科學新聞
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道： 訂閱。透過購買訂閱，您將有助於確保有關當今塑造我們世界的發現和想法的具有影響力的故事的未來。
但是，技術的進步——改進的機器學習演算法和超級計算機，以及儲存和處理大量資料的能力——現在可能為約翰遜的團隊在使用人工智慧方面提供新的優勢。“如果我們 10 年前嘗試這樣做，我們將無法做到，”約翰遜說，他正在與來自多個機構的研究人員合作。除了更復雜的計算之外，他和他的團隊還在實驗室嘗試以前沒有人做過的事情：他們正在向機器輸入原始資料——在實驗室模擬地震事件之前、期間和之後連續進行的大量測量資料。然後，他們允許演算法篩選資料，以尋找可靠地指示人工地震何時發生的模式。除了實驗室模擬之外，該團隊還開始使用來自真實地震的原始地震資料進行相同型別的機器學習分析。
這與科學家過去嘗試地震預測的方式不同——他們通常使用經過處理的地震資料，稱為“地震目錄”，來尋找預測線索。這些資料集僅包含地震的震級、位置和時間，而忽略了其餘資訊。透過使用原始資料，約翰遜的機器演算法可能能夠發現重要的預測標記。
約翰遜和合作者，賓夕法尼亞州立大學的地球物理學家克里斯·馬龍，已經使用學校的地震模擬器進行了實驗室實驗。該模擬器隨機產生地震，併為開源機器學習演算法生成資料——該系統取得了一些令人驚訝的結果。研究人員發現，計算機演算法在聲學資料中發現了一個可靠的訊號——“吱吱作響和研磨”的聲音，隨著實驗室模擬的構造板塊隨時間移動而持續發生。該演算法顯示，隨著人工構造系統越來越接近模擬地震，這些噪聲以非常特定的方式變化——這意味著約翰遜可以在任何時間點檢視這種聲學訊號，並對地震可能發生的時間設定嚴格的界限。
例如，如果人工地震將在 20 秒內發生，研究人員可以分析訊號，以在一秒鐘內準確預測事件。“該演算法不僅可以告訴我們事件可能在非常精確的時間範圍內發生，而且實際上告訴了我們我們沒有注意到的系統的物理特性，”約翰遜解釋說。“事後看來，這是顯而易見的，但是我們多年來一直忽略它，因為我們專注於處理後的資料。”在他們的實驗室實驗中，該團隊查看了聲學訊號並追溯預測了地震事件。但是約翰遜說，預測也應該即時有效。
當然，自然地震比實驗室產生的地震複雜得多，因此在實驗室中有效的方法可能在現實世界中並不適用。例如，地震學家尚未在自然地震系統中觀察到演算法在整個實驗室模擬中檢測到的吱吱作響和研磨的聲音（儘管約翰遜認為這些聲音可能存在，他的團隊正在研究）。毫不奇怪，許多地震學家對機器學習將帶來突破持懷疑態度——這或許部分是因為他們被過去許多失敗的嘗試所困擾。“這是一項令人興奮的研究，我認為我們會從 [約翰遜] 的工作中學習到很多物理知識，但是將其應用於真實地震存在很多問題，”肖爾茨說。
約翰遜也很謹慎——以至於他猶豫是否將他正在做的事情稱為“地震預測”。“我們認識到，如果您聲稱自己可以做一些沒有人相信您能做的事情，則必須謹慎對待信譽，”他說。約翰遜還指出，他目前僅在追求一種估計地震時間的方法，而不是震級——他說預測地震的大小是一個更棘手的問題。
但是，肖爾茨和其他與這項研究無關的專家仍然認為約翰遜應該繼續探索這種方法。“有可能它會非常棒，”美國地質調查局的研究地球物理學家大衛·洛克納解釋說。“機器學習的力量在於，您可以將所有內容都投入其中，而有用的引數會自然而然地從中脫穎而出。”因此，即使約翰遜實驗室實驗中的噪聲訊號沒有成功，他和科學界人士仍然可以將機器學習應用於自然地震資料，並找出其他確實有效的訊號。
約翰遜已經開始將他的技術應用於真實世界的資料——機器學習演算法將分析法國、勞倫斯伯克利國家實驗室和其他來源的科學家收集的地震測量資料。如果此方法成功，他認為專家有可能提前數月甚至數年預測地震。“這僅僅是開始，”他說。“我預測，在未來的五到十年內，機器學習將改變我們進行科學研究的方式。”