Una nueva inteligencia artificial está convirtiendo su gran cerebro en el mapeo de las réplicas del terremoto.

Los científicos entrenaron una red neuronal artificial para estudiar las relaciones espaciales entre más de 130,000 terremotos principales y sus réplicas. En las pruebas, la IA era mucho mejor para predecir las ubicaciones de réplicas que los métodos tradicionales que usan muchos sismólogos, el equipo informa en el 30 de agosto Naturaleza .

Aunque no es posible predecir dónde y cuándo ocurrirá un terremoto, los sismólogos saben algunas cosas sobre las réplicas. “Hemos sabido durante mucho tiempo que se agruparán espacialmente y se deteriorarán con el tiempo”, dice la geofísica Susan Hough del Servicio Geológico de los EE. UU. En Pasadena, California, que no fue autora del nuevo estudio.

Luego, en 1992, una serie de temblores provocó una oleada de interés en tratar de determinar dónde podría ocurrir exactamente una réplica, en función de cómo un impacto principal podría cambiar el estrés en otras fallas. Primero, un terremoto de magnitud 7.3 sacudió la ciudad de Landers en el sur de California y otras comunidades desérticas cercanas. Tres horas más tarde, una réplica de magnitud 6.5 golpeó la zona más poblada de Big Bear, a unos 35 kilómetros de distancia. Al día siguiente, una réplica de magnitud 5,7 golpeó cerca de Yucca Mountain, Nev., A casi 300 kilómetros de distancia.

“Después de 1992, la gente buscaba comprender los patrones de [réplica] con más detalle”, dice Hough. Los investigadores comenzaron a tratar de destilar los complicados patrones de cambio de estrés usando diferentes criterios. El criterio más utilizado, el “cambio de estrés por fallas de Coulomb”, depende de las orientaciones de las fallas.

Pero las orientaciones de fallas en el subsuelo pueden ser tan complicadas como una colcha loca tridimensional, y las tensiones pueden empujar las fallas desde muchas direcciones diferentes a la vez. Imagine un libro sentado sobre una mesa: el estrés por cizalla empuja el libro hacia los lados, y puede hacer que se deslice hacia la izquierda o hacia la derecha. El estrés normal empuja hacia abajo sobre el libro, perpendicular a la mesa, para que no se mueva. Un problema computacional tan espinoso puede estar hecho a medida para una red neuronal, dice Hough.

La sismóloga Phoebe DeVries de la Universidad de Harvard y sus colegas alimentaron datos sobre más de 130,000 pares de réplicas de acceso directo a una IA. Esos datos incluían no solo ubicaciones y magnitudes, sino también diferentes medidas de cambios en el estrés sobre las fallas de los terremotos. La IA aprendió de los datos para determinar qué tan probable era que ocurriera una réplica en un lugar determinado, y luego el equipo probó qué tan bien el sistema podía identificar las ubicaciones de las réplicas utilizando los datos de otros 30,000 pares de réplicas principales.

El sistema de inteligencia artificial predijo consistentemente las ubicaciones de las réplicas mucho mejor que el criterio de falla de Coulomb, encontraron los investigadores. Esto se debe a que los resultados de la inteligencia artificial se correlacionaron fuertemente con otras medidas de cambio de estrés, como la cantidad máxima de cambio en el esfuerzo cortante en una falla, dicen los científicos.

“Es un estudio genial y podría allanar el camino para que el trabajo futuro mejore el pronóstico”, dice Hough. Pero el estudio se centra solo en las tensiones estáticas, que son cambios permanentes en el estrés debido a un terremoto. Las réplicas también pueden ser desencadenadas por una fuente de estrés más efímera conocida como estrés dinámico, producida por un terremoto que retumba en el suelo, dice ella.

Otra pregunta es si un sistema de pronóstico que usó una IA así podría entrar en acción con la suficiente rapidez después de un terremoto para que sus predicciones de réplica sean útiles. Las predicciones en el nuevo estudio se beneficiaron de mucha información sobre qué fallas se deslizaron y cuánto. Inmediatamente después de un gran terremoto, tales datos no estarían disponibles por al menos un día.

Usar una red neuronal para estudiar el problema de la réplica “es un enfoque realmente agradable y eficiente”, dice la sismóloga Lucy Jones de Caltech y la fundadora de la Dr. Lucy Jones Center for Science and Society , con sede en Los Ángeles ( SN: 31/3/18, p. 26 )

Pero ella está de acuerdo con Hough en que, para ayudar con la gestión del riesgo, el sistema debería poder responder más rápidamente. La regla general es que “sea cual sea el número de réplicas que tenga el primer día, obtendrá la mitad el segundo día, y así sucesivamente”, dice Jones, que no participó en el nuevo estudio. “Una semana después del terremoto, la mayoría de las réplicas ya han sucedido”.