A medida que la población mundial aumenta, también lo hacen las ciudades, no estando la mayoría preparadas para soportar terremotos de alta intensidad, como tristemente hemos vivido los últimos años. De forma directa o indirecta, los terremotos causan unas 10.000 muertes cada año. El sueño de los sismólogos siempre ha sido poder predecir estos eventos con al menos días de antelación, y aunque se ha mejorado mucho, aún es muy difícil predecir la aparición de un terremoto en esta escala temporal, para así tomar medidas de alerta y predicción sobre la población afectada.

El investigador del Laboratorio Nacional Los Alamos en Nuevo México (EEUU) Bertrand Rouet-Leduc y varios compañeros, han desarrollado una prometedora investigación de predicción de terremotos gracias al Machine Learning. El algoritmo que han creado estudia los sonidos que un edificio emite frente a la presión sísmica, descubriendo un sutil patrón acústico con el que en teoría se puede predecir cuándo se producirá un seísmo.

La investigación se ha realizado exclusivamente en un entorno de laboratorio, por lo que los investigadores se muestran muy cautelosos en cuanto a que pueda tener aplicación real. No obstante, deja patente nuevas líneas abiertas de investigación muy positivas en cuanto a la física de los seísmos.

En sus experimentos han generado terremotos artificiales en laboratorio a partir de un bloque situado entre otros dos. El bloque central se compone de una mezcla de materiales rocosos llamados materiales de gubia, que simulan las propiedades de las fallas naturales. Por lo tanto, los datos con los que trabaja el software son datos simulados, no reales. A nivel de análisis de datos, y más para algoritmos de aprendizaje automático, este hecho es fundamental, ya que por mucho que la simulación sea precisa, muy probablemente tenga diferencias significativas frente a un escenario real, como por ejemplo la escala de las partículas, el brutal aumento de las tensiones cortantes (en varios órdenes de magnitud) o las temperaturas de las rocas afectadas. Reforzar el aprendizaje de la IA por simulación (en este caso experimento) es una buena estrategia en algunos casos, pero también puede falsear el aprendizaje.

Crédito: Livemint

Hay que entender que la simulación de terremotos en laboratorio o simulación computerizada, están aún muy lejos de ser fiables, al encontrarse tantos fenómenos físicos complejos en interacción simultánea en una escala muy grande. A día de hoy, la mejor predicción de geólogos y sismólogos se basa en un estudio histórico-estadístico, analizando todas las veces que una falla se ha movido en el pasado y utilizando esa frecuencia para predecir el futuro comportamiento de la misma. El ejemplo más famoso es el de la falla de San Andrés en California (EEUU), una de las más estudiadas del planeta. Esta estructura ha producido terremotos en 1857, 1881, 1901, 1922, 1934 y 1966, lo que sugería un patrón de seímos cada 22 años, con un margen de error de varios años. Los geólogos predijeron, por tanto, que entre 1988 y 1993 se produciría un nuevo terremoto, pero tuvieron que esperar hasta 2004 finalmente. Nuestra sociedad tiene una escala temporal tan distinta de la escala geológica, que no puede concederse estos márgenes de error. Hay que destacar también que estas predicciones históricas son muy útiles, ya que por ejemplo nos permiten definir estándares de construcción en zonas vulnerables a terremotos.

Crédito: GSA Publications

Volviendo al algoritmo ¿Cómo funciona? Los investigadores grabaron las emisiones acústicas del experimento, antes, durante y después del evento, ya que se sabe que en terremotos reales, cuando se acerca un seísmo, el material de gubia empieza a fallar y emite rugidos y crujidos mientras se rompe.  La estrategia que idearon fue comprobar si el algoritmo podía encontrar algún patrón que los geólogos hubiesen obviado hasta ahora. Y así ha sido.

Un inciso. Algo clave en el Big Data, Data Analytics, Machine Learning o en general todo lo que rodea estas formas de análisis de datos, es que se pueden encontrar patrones que estaban “ocultos”, relaciones casuísticas que no estaban identificadas previamente.

De este modo, gracias al Machine Learning, a partir del análisis de emisiones acústicas, el software comenzó a dar predicciones precisas incluso cuando el terremoto no era inminente. La investigación afirma:

“Demostramos que las señales acústicas emitidas por una falla de laboratorio permiten que el aprendizaje automático prediga con gran precisión el tiempo que queda antes de que se rompa”.

Referencia: ArXiv, Machine Learning Predicts Laboratory Earthquakes

Vía: Technologyreview