Прогнозирование лабораторных землетрясений с помощью AI, учитывающей физику

Исследователи из Университета Пенсильвании усовершенствовали подход на основе искусственного интеллекта для прогнозирования лабораторных землетрясений, что прокладывает путь к возможному прогнозированию природных сейсмических событий.

Понимание физики лабораторных землетрясений и их эволюции позволяет лучше изучить механику реальных землетрясений. Лабораторные условия дают возможность детально измерять все аспекты эксперимента, в отличие от наблюдений в поле, где приборы находятся далеко от очага. Учёные создают лабораторные землетрясения, сдвигая блоки горных пород, и отслеживают их с помощью ультразвуковых датчиков. Команда разработала модель машинного обучения, которая не только предсказывает сейсмические события, но и автоматически определяет ключевые параметры трения, описывающие механику разлома и его близость к разрушению.

Для оценки этих параметров была создана физически информированная нейронная сеть (PINN), которая включает в алгоритм законы трения. Эта модель демонстрирует точность, сопоставимую или лучшую, чем у сетей без учёта физических законов, и способна предсказывать события на более длительный срок вперёд. Как отмечает соавтор работы Жак Ривер, PINN-модели обеспечивают точные прогнозы с меньшим объёмом обучающих данных, а перенос обучения на новые задачи в них значительно улучшен, что критически важно для перехода к прогнозу реальных землетрясений.

Итоговой целью является разработка аналогичных моделей для прогнозирования природных землетрясений. Модель обучали на данных лабораторных экспериментов, собранных в Лаборатории механики горных пород. Подход, при котором модель "штрафует" себя за отклонения от физических законов трения, доказал свою эффективность для точного прогнозирования с использованием небольших наборов данных и извлечения ключевых параметров механики землетрясений. Данная работа развивает предыдущие исследования той же группы, опубликованные в Nature Communications в июне 2023 года.