Veštačka neuronska mreža je preduzela prve korake ka predviđanju vremena i veličine budućih razornih zemljotresa, prema istraživačima RIKEN-a. Njihov rad je objavljen u časopisu Nature Communications.
Zemljotresi se obično dešavaju kada se delovi Zemljine kore iznenada pomeraju oko pukotine, ili raseda, u steni. Ovo oslobađa ogromnu količinu energije naprezanja koja potresa okolni region, ponekad izazivajući ogromna razaranja, kao u slučaju februarskog zemljotresa u Turskoj i Siriji.
Predviđanje zemljotresa pre nego što ga pogodi moglo bi ljudima dati dovoljno vremena da evakuišu ugrožena područja, potencijalno spasivši hiljade života. Ali predviđanje zemljotresa je notorno teško.
Da bi stvorili matematičke modele zemljotresa, istraživači često povlače analogiju sa defektima unutar struktura kristala – pukotine unutar kristala liče na greške u Zemljinoj kori. Kada se primenjuju na kretanje raseda kore, ovi „modeli dislokacije“ opisuju kretanje i deformaciju Zemljine kore tokom zemljotresa.
Nasuprot tome, tim koji predvodi Naonori Ueda iz RIKEN Centra za naprednu inteligenciju (AIP) razmatrao je primenu neuronske mreže koja uči fizičke zakone, nazvanu neuronska mreža zasnovana na fizici (PINN). Konvencionalne neuronske mreže uče funkcionalne odnose između ulaza i izlaza, dok se PINN-ovi razlikuju po tome što uče da zadovolje fizički model opisan parcijalnim diferencijalnim jednačinama.
Međutim, tim je otkrio da bi PINN, koji uči kontinuirane funkcije, bilo teško direktno primeniti na slučajeve kao što su modeli deformacije kore, gde je pomeranje diskontinuirano preko linije raseda.
Ueda i njegovi saradnici su prevazišli ovu poteškoću korišćenjem posebno dizajniranog koordinatnog sistema za rešavanje diskontinuiteta između raseda. To im je omogućilo da precizno modeliraju deformaciju Zemljine kore, čak i u regionima blizu raseda.
„Predloženo modeliranje ima potencijal da ostvari visoko precizno predviđanje“, kaže Ueda.
Istraživači su obučili svoje neuronske mreže koristeći fizičke zakone, a ne podatke, što je idealno za aplikacije u kojima prikupljanje podataka može biti teško.
Da bi demonstrirali efikasnost pristupa, istraživači su primenili svoje neuronske mreže zasnovane na fizici da modeliraju greške proklizavanja, u kojima se dva bloka Zemljine kore kreću horizontalno oko vertikalnog preloma. Mreža bi mogla da pretvori informacije o određenoj lokaciji unutar Zemlje u predviđanje količine pomeranja kore u toj tački.
„Ovaj rad je pokazao sposobnost PINN-a da precizno modelira deformaciju kore na složenim strukturama“, kaže Tomohisa Okazaki, takođe iz AIP-a.
PINN-ovi predstavljaju relativno novi oblik mašinskog učenja, a istraživači se nadaju da bi se njihov pristup mogao primeniti na mnoge druge probleme koji uključuju deformaciju kore.
