Η Τεχνητή Νοημοσύνη αλλάζει την κατανόησή μας για τους σεισμούς
Οι βράχοι Vasquez στην Agua Dulce της Καλιφόρνια αποτελούν απόδειξη τεκτονικής ανύψωσης από το κοντινό ρήγμα του Αγίου Ανδρέα. Οι επιστήμονες χρησιμοποιούν τεχνητή νοημοσύνη για να μάθουν περισσότερα για τους σεισμούς που συμβαίνουν κατά μήκος αυτού και άλλων ρήξεων. Από Hear2heaL, Wikimedia Commons.
Η μηχανική μάθηση επεκτείνει τους καταλόγους σεισμών των επιστημόνων και βελτιώνει τους χάρτες των υπόγειων ρηγμάτων. Υπόσχεται επίσης να βελτιώσει τις προβλέψεις για τους σεισμούς.
Μια ομάδα βράχων δείχνει προς τα πάνω σε γωνία 45 μοιρών. Περιβάλλεται από πράσινους θάμνους και φωτίζεται από το ζεστό φως του ηλιοβασιλέματος.
Όταν ο μεγαλύτερος σεισμός εδώ και περισσότερο από μια δεκαετία έπληξε την απομακρυσμένη χερσόνησο Καμτσάτκα της Ρωσίας τον Ιούλιο, οι σεισμολόγοι σε όλο τον κόσμο το κατάλαβαν μέσα σε λίγα λεπτά. Για σεισμούς μεγάλους ή μικρούς, αισθητήρες σε όλο τον κόσμο ανιχνεύουν τις δονήσεις και μεταδίδουν αυτές τις πληροφορίες στους ερευνητές, οι οποίοι αναλύουν γρήγορα τις παρατηρήσεις και εκδίδουν ειδοποιήσεις.
Τώρα, η τεχνητή νοημοσύνη είναι έτοιμη να κάνει σχεδόν τα πάντα σχετικά με την έρευνα για τους σεισμούς πολύ πιο γρήγορα - και να ξαναγράψει την ίδια την κατανόηση των ερευνητών για το πώς συμβαίνουν οι σεισμοί.
«Η μηχανική μάθηση άνοιξε ένα εντελώς νέο παράθυρο.»
Χρησιμοποιώντας έναν υποτομέα της Τεχνητής Νοημοσύνης που ονομάζεται μηχανική μάθηση, ορισμένοι επιστήμονες εντοπίζουν έως και εκατομμύρια μικροσκοπικούς, προηγουμένως απαρατήρητους σεισμούς σε δεδομένα που συλλέγονται από σεισμικά ενεργά μέρη. Αυτές οι νέες και βελτιωμένες βάσεις δεδομένων βοηθούν τους ερευνητές να κατανοήσουν καλύτερα τα γεωλογικά ρήγματα κατά μήκος των οποίων συμβαίνουν οι σεισμοί και μπορούν να βοηθήσουν στην αποσαφήνιση των κινδύνων μελλοντικών σεισμών. Ορισμένοι επιστήμονες χρησιμοποιούν ακόμη και τη μηχανική μάθηση για να βελτιώσουν τις προβλέψεις τους σχετικά με το πόσοι μετασεισμοί μπορεί να ταρακουνήσουν μια τοποθεσία που μόλις έχει βιώσει έναν μεγάλο και καταστροφικό σεισμό.
Γενικότερα, οι ερευνητές ελπίζουν ότι η μηχανική μάθηση, με την ικανότητά της να επεξεργάζεται τεράστιες ποσότητες πληροφοριών και να μαθαίνει από τα μοτίβα που υπάρχουν μέσα σε αυτούς, θα αποκαλύψει νέες γνώσεις σχετικά με μερικά από τα μεγαλύτερα μυστήρια με τους σεισμούς, συμπεριλαμβανομένου του τρόπου με τον οποίο ένας σεισμός εκτυλίσσεται στα πρώτα καταστροφικά του δευτερόλεπτα.
«Η μηχανική μάθηση άνοιξε ένα εντελώς νέο παράθυρο», λέει ο Mostafa Mousavi, σεισμολόγος στο Πανεπιστήμιο του Χάρβαρντ.
Τρέμοντας η Γη, εκρηκτικά δεδομένα
Οι σεισμοί συμβαίνουν όταν συσσωρεύεται γεωλογική τάση στο έδαφος, όπως όταν δύο πλάκες του φλοιού της Γης τρίβονται η μία δίπλα στην άλλη, όπως συμβαίνει στο ρήγμα του Αγίου Ανδρέα στην Καλιφόρνια. Κάποια στιγμή, η τάση φτάνει σε ένα κρίσιμο όριο και το ρήγμα σπάει, σπάζοντας το βράχο και προκαλώντας σεισμική ενέργεια να κυματίζει προς τα έξω και να τρέμει το έδαφος.
Από ψηλά το ρήγμα του Αγίου Ανδρέα, που φαίνεται εδώ ως μια δραματική εγκοπή στην πεδιάδα Carrizo στη Νότια Καλιφόρνια, είναι ένα παράδειγμα μιας γεωλογικά ενεργής περιοχής όπου οι σεισμολόγοι χρησιμοποιούν την τεχνητή νοημοσύνη για να κατανοήσουν καλύτερα τα πρότυπα των σεισμών. Από: John Wiley, Wikimedia Commons.
Αυτή η ενέργεια καταγράφεται από σεισμογράφους και άλλα όργανα σε όλο τον κόσμο, τα οποία είναι τοποθετημένα σε μεγάλους αριθμούς σε γεωλογικά ενεργές περιοχές όπως η Καλιφόρνια και η Ιαπωνία. Τα δεδομένα τροφοδοτούν εθνικά και διεθνή συστήματα για την παρακολούθηση σεισμών και την ειδοποίηση του κόσμου. Η ποσότητα των δεδομένων έχει εκτοξευθεί τα τελευταία χρόνια, καθώς οι σεισμολόγοι βρίσκουν νέους τρόπους για να συλλέγουν πληροφορίες σχετικά με τις κινήσεις του εδάφους - όπως η ανίχνευση σεισμικών σημάτων μέσω δικτύων οπτικών ινών ή η χρήση των επιταχυνσιόμετρων που είναι ενσωματωμένα σε smartphone για τη δημιουργία ενός δικτύου προειδοποίησης σεισμών μέσω τηλεφώνου .
Μόλις πριν από μια ή δύο δεκαετίες, μεγάλο μέρος της ανάλυσης των σεισμικών σημάτων γινόταν χειροκίνητα, με τους επιστήμονες να εργάζονται όσο το δυνατόν γρηγορότερα για να αξιολογήσουν τις καταγραφές που προέρχονται από τα δίκτυα παρατήρησής τους. Αλλά σήμερα, υπάρχουν πάρα πολλά σημεία δεδομένων. «Τώρα ο μόνος - σχεδόν - τρόπος για να διαχειριστείς τα σεισμικά δεδομένα είναι να προχωρήσεις στην αυτόματη επεξεργασία», λέει ο Mousavi, ο οποίος συνυπέγραψε ένα άρθρο του 2023 στην Ετήσια Επιθεώρηση των Γης και των Πλανητικών Επιστημών σχετικά με τη μηχανική μάθηση στη σεισμολογία των σεισμών .
Μία από τις πιο συνηθισμένες χρήσεις της μηχανικής μάθησης στη σεισμολογία είναι η μέτρηση του χρόνου άφιξης των σεισμικών κυμάτων σε μια συγκεκριμένη τοποθεσία, μια διαδικασία γνωστή ως επιλογή φάσης. Οι σεισμοί παράγουν δύο είδη σεισμικών κυμάτων, γνωστά ως κύματα P και S , που επηρεάζουν το έδαφος με διαφορετικούς τρόπους και εμφανίζονται ως διαφορετικοί τύποι κυματισμών σε ένα σεισμογράφημα. Στο παρελθόν, ένας σεισμολόγος ανέλυε δεδομένα που έφταναν από σεισμικούς αισθητήρες και επέλεγε χειροκίνητα αυτό που υπολόγιζε ως την αρχή των κυμάτων P ή S σε αυτά τα σεισμογραφικά διαγράμματα. Η ακριβής επιλογή των αρχών αυτών των κυμάτων είναι σημαντική για την κατανόηση παραγόντων όπως το πού ακριβώς χτύπησε ο σεισμός. Αλλά η επιλογή φάσης είναι πολύ χρονοβόρα.
Η ενέργεια ενός σεισμού εμφανίζεται ως μια κυματοειδής κυματομορφή στις μετρήσεις που πραγματοποιούνται από σεισμογράφους. Ο πρώτος τύπος σήματος που φτάνει είναι μια κίνηση του εδάφους γνωστή ως κύμα P , ακολουθούμενη από έναν τύπο γνωστό ως κύμα S. Η επιλογή του σημείου όπου φτάνουν για πρώτη φορά τα κύματα σε μια ένδειξη σεισμογράφου είναι ένα σημαντικό μέρος της κατανόησης των επιπτώσεων ενός σεισμού - αυτό συνήθως γίνεται από σεισμολόγους, αλλά τα τελευταία χρόνια η διαδικασία έχει γίνει πολύ πιο γρήγορη με την ενσωμάτωση αλγορίθμων μηχανικής μάθησης. Από: Knowable Magazine, προσαρμοσμένο από το USGS.gov.
Τα τελευταία χρόνια, οι σεισμολόγοι χρησιμοποιούν αλγόριθμους μηχανικής μάθησης για να επιλέγουν σεισμικές φάσεις πολύ πιο γρήγορα από ό,τι μπορεί ένας άνθρωπος. Υπάρχουν ορισμένες αυτοματοποιημένες μέθοδοι που μπορούν να επιλέξουν φάσεις, αλλά οι αλγόριθμοι μηχανικής μάθησης, οι οποίοι έχουν εκπαιδευτεί σε τεράστιους όγκους δεδομένων από προηγούμενους σεισμούς, μπορούν να αναγνωρίσουν μια μεγάλη ποικιλία σημάτων από διαφορετικούς τύπους σεισμών με τρόπο που δεν ήταν δυνατός πριν. Η πρακτική είναι πλέον τόσο τυποποιημένη που ο όρος «μηχανική μάθηση» δεν αναφέρεται πλέον στους τίτλους των ερευνητικών εργασιών, λέει ο Mousavi. «Από προεπιλογή, όλοι γνωρίζουν».
Η επιλογή φάσης που βασίζεται στην τεχνητή νοημοσύνη είναι ταχύτερη από την επιλογή φάσης από τους ανθρώπους και τουλάχιστον εξίσου ακριβής, λέει ο Mousavi. Οι σεισμολόγοι εργάζονται τώρα για να επεκτείνουν αυτά τα εργαλεία σε άλλους τύπους σεισμικής ανάλυσης.
Επέκταση Καταλόγων των Σεισμών
Ένας τομέας στον οποίο έχουν ήδη γίνει μεγάλες ανακαλύψεις είναι η χρήση της μηχανικής μάθησης για την επέκταση των καταλόγων σεισμών - ουσιαστικά, λίστες με το ποιοι σεισμοί συνέβησαν σε μια συγκεκριμένη περιοχή. Οι κατάλογοι σεισμών περιλαμβάνουν όλους τους σεισμούς που μπορούν να εντοπίσουν οι σεισμολόγοι από καταγεγραμμένα σήματα - αλλά η τεχνητή νοημοσύνη μπορεί να εντοπίσει εκθετικά περισσότερους σεισμούς από ό,τι οι επιστήμονες.
Ουσιαστικά, η μηχανική μάθηση μπορεί να εξετάσει τα δεδομένα για να εντοπίσει μικρούς σεισμούς που οι άνθρωποι δεν έχουν την ικανότητα ή τον χρόνο να επισημάνουν. «Είτε δεν τους βλέπεις με το μάτι, είτε δεν υπάρχει χρόνος να πας και να δεις όλα αυτά τα μικροσκοπικά γεγονότα», λέει η Leila Mizrahi, σεισμολόγος στην Ελβετική Σεισμολογική Υπηρεσία στο ETH Zürich. Συχνά, αυτοί οι σεισμοί καλύπτονται από τον θόρυβο υποβάθρου στα δεδομένα.
Οι μικροσκοπικοί σεισμοί είναι σημαντικοί ως ένα παράθυρο για το πώς ξεκινούν οι μεγαλύτεροι σεισμοί.
Σε μια πρωτοποριακή μελέτη του 2019 στο Science , οι ερευνητές χρησιμοποίησαν έναν αλγόριθμο τεχνητής νοημοσύνης που αντιστοίχισε μοτίβα σεισμικών κυμάτων για να εντοπίσουν περισσότερους από 1,5 εκατομμύριο μικροσκοπικούς σεισμούς που συνέβησαν στη Νότια Καλιφόρνια μεταξύ 2008 και 2017, αλλά δεν είχαν εντοπιστεί πριν. Πρόκειται για μικροσκοπικούς σεισμούς που οι περισσότεροι άνθρωποι δεν θα ένιωθαν ακόμα κι αν στέκονταν πάνω τους. Αλλά η γνώση της ύπαρξής τους είναι σημαντική για να βοηθήσει τους σεισμολόγους να κατανοήσουν τα μοτίβα συμπεριφοράς κατά μήκος ενός γεωλογικού ρήγματος.
Συγκεκριμένα, λέει ο Μουσαβί, οι μικροσκοπικοί σεισμοί είναι σημαντικοί ως μια ματιά στο πώς ξεκινούν οι μεγαλύτεροι σεισμοί . Μεγάλοι σεισμοί μπορεί να συμβαίνουν κατά μήκος ενός συγκεκριμένου ρήγματος μία φορά κάθε αιώνα ή και περισσότερο - μια πολύ μεγάλη χρονική περίοδος για να την παρατηρήσουν οι επιστήμονες προκειμένου να κατανοήσουν τη διαδικασία ρήξης. Οι μικροσκοπικοί σεισμοί συμπεριφέρονται σχεδόν όπως οι μεγάλοι, αλλά συμβαίνουν πολύ πιο συχνά. Έτσι, η μελέτη του μοτίβου των μικροσκοπικών σεισμών στους πρόσφατα διευρυμένους καταλόγους σεισμών θα μπορούσε να βοηθήσει τους επιστήμονες να κατανοήσουν καλύτερα τι πυροδοτεί τα πάντα. Με αυτόν τον τρόπο, οι πλουσιότεροι κατάλογοι «έχουν τη δυνατότητα να μας βοηθήσουν να κατανοήσουμε και να μοντελοποιήσουμε καλύτερα τον σεισμικό κίνδυνο», λέει ο Μουσαβί.
Οι εκτεταμένοι κατάλογοι σεισμών μπορούν επίσης να φωτίσουν τη δομή των γεωλογικών ρηγμάτων κάτω από μια περιοχή πολύ καλύτερα από πριν. Είναι σαν να μεταβαίνουμε από ένα απλοϊκό σκίτσο του πώς είναι διατεταγμένα τα ρήγματα σε έναν πίνακα με πιο φωτορεαλιστικές λεπτομέρειες. Το 2022, μια ομάδα με επικεφαλής τον σεισμολόγο Yongsoo Park, τότε στο Πανεπιστήμιο του Στάνφορντ, χρησιμοποίησε μηχανική μάθηση για να δημιουργήσει έναν εκτεταμένο κατάλογο σεισμών στην Οκλαχόμα και το Κάνσας μεταξύ 2010 και 2019, πολλοί από τους οποίους προκλήθηκαν από εταιρείες πετρελαίου και φυσικού αερίου που έριχναν λύματα στο έδαφος. Η εργασία φώτισε δομές ρηγμάτων που δεν ήταν ορατές πριν, επιτρέποντας στους επιστήμονες να χαρτογραφήσουν τα ρήγματα με μεγαλύτερη ακρίβεια και να κατανοήσουν καλύτερα τον σεισμικό κίνδυνο.
Δύο εικόνες δείχνουν τις τοποθεσίες των σεισμών, οι οποίες αναπαρίστανται με κόκκινες και κίτρινες κουκκίδες σε μαύρο φόντο. Η δεύτερη εικόνα, στην οποία χρησιμοποιήθηκε μηχανική μάθηση για την αναγνώριση σεισμών, δείχνει περισσότερες κουκκίδες με καλύτερη ανάλυση.
Αυτό το δραματικό παράδειγμα δείχνει τη δύναμη της μηχανικής μάθησης στην ενίσχυση των γνώσεων των επιστημόνων για τους σεισμούς. Στην κορυφή απεικονίζεται ένα σμήνος σεισμών που σημειώθηκε κοντά στο Pawnee της Οκλαχόμα τον Σεπτέμβριο του 2016. Κάθε κουκκίδα αντιπροσωπεύει έναν σεισμό που μετρήθηκε με σεισμογράφους (με το κίτρινο να αντιπροσωπεύει τους σεισμούς που σημειώθηκαν νωρίς στο σμήνος και το κόκκινο τους σεισμούς που σημειώθηκαν αργότερα). Στο κάτω μέρος απεικονίζεται το ίδιο σμήνος σεισμών, αλλά σε αυτήν την περίπτωση οι επιστήμονες χρησιμοποίησαν μηχανική μάθηση για να εντοπίσουν επιπλέον, μικρότερους σεισμούς στις παρατηρήσεις. Ο βελτιωμένος κατάλογος σεισμών δείχνει πολύ περισσότερες λεπτομέρειες για το πού σημειώθηκαν οι σεισμοί, συμπεριλαμβανομένης της κατάστασης των υποκείμενων γεωλογικών ρηγμάτων. Από τον Yongsoo Park.
Ο Παρκ και οι συνάδελφοί του έδειξαν ότι το 80% των μεγαλύτερων σεισμών που συνέβησαν θα μπορούσαν να είχαν προβλεφθεί με βάση τους μικρότερους σεισμούς που συνέβησαν πριν από τους μεγάλους. «Υπάρχει πάντα η πιθανότητα ο επόμενος μεγάλος σεισμός να συμβεί σε ένα ρήγμα που δεν έχει ακόμη χαρτογραφηθεί», λέει ο Παρκ, ο οποίος βρίσκεται τώρα στο Εθνικό Εργαστήριο Λος Άλαμος στο Νέο Μεξικό. «Η τακτική καταγραφή μικρότερων σεισμών θα μπορούσε να αποκαλύψει τέτοια κρυμμένα ρήγματα πριν συμβεί ένας μεγάλος σεισμός».
Οι επιστήμονες εφαρμόζουν αυτήν την προσέγγιση σε όλο τον κόσμο. Ερευνητές στην Ταϊβάν, για παράδειγμα, χρησιμοποίησαν πρόσφατα μηχανική μάθηση για να δημιουργήσουν έναν πιο λεπτομερή κατάλογο ενός σεισμού μεγέθους 7,3 Ρίχτερ τον Απρίλιο του 2024, ο οποίος σκότωσε τουλάχιστον 18 άτομα στο νησί και προκάλεσε ζημιές σε εκατοντάδες κτίρια. Η μελέτη, η οποία αναφέρθηκε σε μια συνάντηση σεισμολογίας τον Απρίλιο του 2025, διαπίστωσε ότι ο κατάλογος που βασίζεται στην τεχνητή νοημοσύνη είναι περίπου πέντε φορές πιο πλήρης από αυτόν που παρήγαγαν ανθρώπινοι αναλυτές και δημιουργήθηκε μέσα σε μια ημέρα αντί να χρειαστούν μήνες. Αποκάλυψε νέες λεπτομέρειες σχετικά με την τοποθεσία και τον προσανατολισμό των γεωλογικών ρηγμάτων - πληροφορίες που μπορούν να βοηθήσουν τους αξιωματούχους να προετοιμαστούν καλύτερα για το πώς μπορεί να κινηθεί το έδαφος σε μελλοντικούς σεισμούς. Τέτοιοι κατάλογοι «θα γίνουν το πρότυπο σε κάθε περιοχή επιρρεπή σε σεισμούς στο μέλλον», λέει ο επικεφαλής της ομάδας και σεισμολόγος Hsin-Hua Huang της Academia Sinica στην Ταϊβάν.
Η πρόβλεψη εξακολουθεί να αποτελεί πρόβλημα
Μέχρι στιγμής, η Τεχνητή Νοημοσύνη δεν έχει σημειώσει την ίδια επιτυχία στην αντιμετώπιση μιας άλλης από τις μεγαλύτερες προκλήσεις της σεισμολογίας - την πρόβλεψη της πιθανότητας μελλοντικών σεισμών.
Ο τομέας της πρόγνωσης σεισμών ασχολείται με γενικές πιθανότητες - όπως οι πιθανότητες να συμβεί ένας σεισμός μεγέθους Χ στην περιοχή Υ κατά τη χρονική περίοδο Ζ. Επί του παρόντος, οι σεισμολόγοι δημιουργούν προβλέψεις σεισμών χρησιμοποιώντας μαθηματικές αναλύσεις προηγούμενων σεισμών, όπως μια στατιστική μέθοδο που βασίζεται σε παρατηρήσεις για το πώς οι προηγούμενοι σεισμοί προκάλεσαν τους επόμενους σεισμούς. Αυτή η προσέγγιση λειτουργεί αρκετά καλά για συγκεκριμένες εργασίες, όπως η κατανόηση του αριθμού των μετασεισμών που μπορεί να ταρακουνήσουν μια περιοχή μετά από έναν Μεγάλο. Αυτού του είδους οι πληροφορίες μπορούν να βοηθήσουν τους ανθρώπους σε μια ζώνη καταστροφής να γνωρίζουν εάν είναι ασφαλές να επιστρέψουν στα σπίτια τους ή εάν ενδέχεται να ακολουθήσουν περισσότεροι μετασεισμοί, απειλώντας να καταρρεύσουν περισσότερα κτίρια.
Αλλά αυτό το είδος ανάλυσης δεν μπορεί πάντα να αποτυπώσει με ακρίβεια τον πραγματικό σεισμικό κίνδυνο, ειδικά κατά μήκος ρηγμάτων που σπάνια προκαλούν μεγάλους σεισμούς και επομένως δεν αντιπροσωπεύονται καλά στο σεισμικό αρχείο. Οι σεισμολόγοι δοκιμάζουν αλγόριθμους που βασίζονται στην τεχνητή νοημοσύνη για την πρόβλεψη σεισμών, για να δουν αν θα μπορούσαν να τα πάνε καλύτερα, αλλά μέχρι στιγμής, τα νέα είναι χλιαρά. Στις καλύτερες επιδόσεις τους, οι αναλύσεις μηχανικής μάθησης είναι περίπου τόσο καλές όσο οι τυπικές μέθοδοι πρόβλεψης σεισμών. «Δεν ξεπερνούν ακόμη τις παραδοσιακές», λέει ο Mousavi, ο οποίος συνόψισε την κατάσταση του τομέα σε ένα άρθρο του Αυγούστου 2025 στο Physics Today .
Συνολικά, ωστόσο, οι σεισμολόγοι βλέπουν ένα λαμπρό μέλλον στη χρήση της Τεχνητής Νοημοσύνης για την καλύτερη κατανόηση των σεισμών.
Σε ένα από τα πιο πολλά υποσχόμενα πειράματα, η Mizrahi προσπαθούσε να χρησιμοποιήσει την Τεχνητή Νοημοσύνη για να επιταχύνει την παραγωγή μετασεισμικών προβλέψεων στα κρίσιμα λεπτά και ώρες μετά από έναν μεγάλο σεισμό. Αυτή και μια συνάδελφός της προσέφυγαν σε έναν αλγόριθμο μηχανικής μάθησης στην παλαιότερη στατιστική μέθοδο πρόβλεψης σεισμών και στη συνέχεια τον χρησιμοποίησαν μόνο του για να δουν πώς θα τα πήγαινε η Τεχνητή Νοημοσύνη. Πράγματι, απέδωσε πολύ πιο γρήγορα από την παλαιότερη, μη-Τεχνητή Νοημοσύνη προσέγγιση, αλλά υπάρχει ακόμη πολλή δουλειά που πρέπει να γίνει. «Βρισκόμαστε στη διαδικασία αξιολόγησης του πόσο ικανοποιημένοι είμαστε με αυτήν», λέει η Mizrahi, η οποία δημοσίευσε τα ευρήματα πέρυσι στο Seismological Research Letters .
Στο μέλλον, οι ερευνητές ελπίζουν να επιταχύνουν αυτούς τους τύπους αναλύσεων πρόβλεψης. Άλλοι τομείς της σεισμολογίας θα μπορούσαν επίσης να ωφεληθούν τελικά. Ορισμένες πρώιμες έρευνες υποδηλώνουν ότι η μηχανική μάθηση θα μπορούσε να χρησιμοποιηθεί στην έγκαιρη προειδοποίηση για σεισμούς, για παράδειγμα εκτιμώντας με ακρίβεια πόσο θα κινηθεί το έδαφος στα δευτερόλεπτα μετά την έναρξη ενός σεισμού σε κοντινή απόσταση. Αλλά η χρησιμότητα αυτού περιορίζεται στα λίγα μέρη του κόσμου που διαθέτουν συστήματα έγκαιρης προειδοποίησης, όπως η Καλιφόρνια και η Ιαπωνία.
Ο Παρκ προειδοποιεί επίσης για την υπερβολική εξάρτηση από εργαλεία μηχανικής μάθησης. Οι επιστήμονες πρέπει να είναι προσεκτικοί σχετικά με τη διατήρηση του ποιοτικού ελέγχου , ώστε να είναι σίγουροι ότι ερμηνεύουν σωστά τα αποτελέσματα οποιασδήποτε ανάλυσης τεχνητής νοημοσύνης, λέει.
Συνολικά, ωστόσο, οι σεισμολόγοι βλέπουν ένα λαμπρό μέλλον στη χρήση της τεχνητής νοημοσύνης για την καλύτερη κατανόηση των σεισμών. «Είμαστε καθ' οδόν», λέει η Mizrahi.
Alexandra Witze, περιοδικό Knowable
https://knowablemagazine.org/content/article/physical-world/2025/ai-is-changing-understanding-of-earthquakes
https://eos.org/articles/ai-is-changing-our-understanding-of-earthquakes
https://pubs.geoscienceworld.org/ssa/srl/article-abstract/95/6/3295/646122/Modeling-the-Asymptotic-Behavior-of-Higher-Order?redirectedFrom=fulltext