
Un gruppo di ricercatori britannici e americani sta eseguendo diversi esperimenti per utilizzare l’apprendimento automatico (detto anche “machine learning”) da parte dei computer con il fine di prevedere i terremoti. Per il momento le sperimentazioni sono state eseguite solo in un ambiente di laboratorio ma le condizioni simulate erano uguali a quelle che si possono vedere nella realtà.
La ricerca è stata pubblicata su Geophysical Review Letters
La squadra, composta da membri dell’Università di Cambridge, del Los Alamos National Laboratory e della Boston University, è riuscita a creare un algoritmo di apprendimento automatico che, tra l’altro, può essere applicato anche ad altri fenomeni naturali, tra cui valanghe e frane, per esempio.
Il team di ricercatori si è concentrato in particolare su vari segnali precursori tra cui i piccoli movimenti della terra e le interazioni tra le faglie e, utilizzando tecniche di machine learning, sta cercando di trovare dei pattern utili.
Per imitare il terremoto, i ricercatori stanno utilizzando una particolare apparecchio che utilizza dei blocchi di acciaio per innescare le “scosse”.
Per il momento, l’algoritmo ha già appreso una particolare pattern sonoro che si verifica prima della scossa sulla superficie.
Secondo Colin Humphreys, autore della ricerca che lavora al Dipartimento di Scienza e Metallurgia dei materiali di Cambridge, “Questa è la prima volta che l’apprendimento automatico è stato utilizzato per analizzare i dati acustici per prevedere quando un terremoto avverrà molto tempo prima, in modo che si possa avere una quantità notevole di tempo per un avvertimento: è incredibile che cosa può fare l’apprendimento delle macchine”.
Fonti e approfondimenti
- Machine learning used to predict earthquakes in a lab setting | University of Cambridge (IA)
- Machine Learning Predicts Laboratory Earthquakes – Rouet-Leduc – 2017 – Geophysical Research Letters – Wiley Online Library (IA), DOI: 10.1002/2017GL074677
- Autori studio: Bertrand Rouet‐Leduc, Claudia Hulbert, Nicholas Lubbers, Kipton Barros, Colin J. Humphreys, Paul A. Johnson