¿Cuándo?, ¿Dónde?, y ¿qué tan grande? Son las tres respuestas importantes para un pronóstico útil para los científicos persiguiendo terremotos. En investigaciones recientes, la pregunta más grande siempre ha sido el “donde”.
La dificultad con terremotos – contrario a relámpagos- es que consiste de eventos múltiples. Un terremoto grande genera mucho estrés ya que los cambios producen réplicas sísmicas, las cuales envían ondas y distribuyen tensión del terremoto inicial.
Con frecuencia, los eventos de réplicas sísmicas pueden ser tan serias como el terremoto mismo, impactando infraestructura débil sin aviso de precaución.
Captación de una réplica sísmica
La mayoría de las réplicas sísmicas pueden encontrarse atraves del área principal de ruptura del shock del terremoto. Su patrón y distribución son extremadamente útiles para determinar y confirmar el área actual de deslizamiento del shock principal.
El seguimiento del índice y magnitud de los patrones de réplicas sísmicas y su deterioro temporal pueden hacerse con una serie de leyes empíricas muy bien establecidas. La Ley de Bath, Omori, y Gutuenberg-Richter dan detalles del comportamiento de las réplicas sísmicas, pero los científicos tienen dificultad de pronosticar la distribución espacial.
Debido a esta incertidumbre, y al igual que las réplicas sísmicas caen en la categoría “impredecible” de fenómeno científico peligroso – y que pueden sacudir áreas afectadas por meses.
La Pieza faltante: Aislamiento de la localización de réplicas sísmicas con inteligencia artificial
En la nueva publicación Nature del mes de Agosto, los investigadores revelaron que señalando localizaciones de réplicas sísmicas pueden ser más viables en ayudar en aprender tecnología e Inteligencia Artificial.
Al capitalizar el gran abastecimiento de bases de datos existentes y computación moderna, los científicos entrenaron una red neural específicamente para este estudio. La Inteligencia Artificial fue construida para buscar patrones en eventos existentes y después desarrollar predicciones basadas en la información.
¿El resultado? Determinación de localizaciones doblemente precisas en comparación al modelo utilizado
(0.849/1.000 en oposición a 0.583/1.000).
Maquinas aprendiendo y el futuro de información científica
Aprendizaje en máquinas abandona la tradicional regla basada en programación para experiencia basada en la toma de decisiones.
La ciencia del presente finalmente posee:
- Cantidades masivas de información. Información de terremotos no es el único archivo colosal que hemos acumulado. Conforme el Internet de Cosas (IoT) se integra a ciencia, medicina, negocios, y trabajo diario, acumulamos sin esfuerzo millones de puntos críticos de información con cada proyecto, trabajo, y eventos climáticos.
- Anteriormente incomprensible potencia informática. El volumen de evaluaciones, transacciones, o “experiencias” necesitadas para maquinas basadas en aprendizaje requiere de poder vanguardista – con el cual contamos.
Deja un comentario