Scoperto un suono emesso dalle faglie, che potrebbe essere usato… per prevedere i terremoti
Un sistema di apprendimento automatico ha identificato delle vibrazioni acustiche che rivelano i movimenti di una faglia e potrebbero essere utili per determinare se è vicina al cedimento
di Paul Johnson / Scientific American
www.lescienze.it
Sono pochi i mesi che passano senza che un nuovo devastante terremoto in qualche parte del mondo ci ricordi che siamo tuttora alla mercé di eventi sismici violenti che possono colpire senza preavviso. Ma una nuova branca della geofisica, basata su un sistema ad apprendimento automatico, sta aprendo un’inedita finestra sugli slittamenti delle faglie terrestri che spesso scatenano queste catastrofi.
L’apprendimento automatico, spesso chiamato più pomposamente intelligenza artificiale, ha colpito l’immaginazione del pubblico promettendo cose come automobili del tutto autonome o il prossimo avvento di una “singolarità”, il momento on cui le macchine penseranno meglio delle persone. Allo stato dell’arte, però, ci sono ben pochi segni di vera e propria intelligenza, intesa come capacità di astrarre principi dai fenomeni. Nel riconoscimento delle immagini, i sistemi di intelligenza artificiale imparano a identificare gli oggetti a partire da pure e semplici forme di memorizzazione e, di conseguenza, si ingannano spesso. Per questi motivi, il termine “apprendimento automatico” resta il più appropriato per questa branca delle scienze computazionali.
Molti dei recenti sviluppi in questo campo che sono finiti sui giornali dipendono da un approccio basato sulle cosiddette reti neurali profonde. Ma un’altra forma di apprendimento automatico, più semplice e trasparente, i cosiddetti alberi di decisione, sta portando a nuove scoperte scientifiche davvero notevoli.
Nel caso delle nostre ricerche sui terremoti al Los Alamos National Laboratory, un processo di apprendimento automatico con alberi di decisione ha svelato alcuni principi fisici finora insospettati che l’uso di una rete neurale profonda avrebbe oscurato e che neanche il più ostinato esame umano dei dati avrebbe potuto identificare. Con nostra grande sorpresa (e piacere) questo approccio ha condotto a un sostanziale progresso nello studio della meccanica dei terremoti, che di sicuro ci farà progredire verso il Santo Graal delle scienze geologiche: la previsione dei terremoti.
L’apprendimento automatico non ha nulla di magico. Ci dà, però, una capacità senza precedenti di setacciare efficacemente vasti flussi di dati. Le reti neurali profonde si sono dimostrate in grado di svolgere compiti impegnativi come il riconoscimento facciale, ma hanno un limite intrinseco: sono una sorta di scatola nera. Possono dare risposte giuste, ma noi non possiamo sapere come ci sono arrivate. Le reti neurali profonde eseguono sui dati una serie di calcoli che non sono esaminabili dall’esterno, da parte dello scienziato. Se uno vuole che Siri, l’assistente vocale dei sistemi Apple, individui il titolo di una canzone, poco gli importa di come lo trova. Se però vogliamo capire un processo fisico, il come certamente conta. Non si può costruire una teoria su una nebbia digitale.
Nell’approccio ad apprendimento automatico che usiamo noi, un gruppo di alberi di decisione imposta un insieme di domande sugli aspetti statistici dell’informazione contenuta nel segnale acustico di un terremoto. Presa una certa decisione, il programma di apprendimento automatico si avvia lungo una diramazione che porta a un’altra decisione, e così via; alla fine la rappresentazione grafica del processo somiglia a un albero, e da qui viene il nome.
Questo tipo di programma ad apprendimento automatico non è opaco. Come un bravo studente alle prese con un problema di matematica, espone “il procedimento” che ha seguito, passo dopo passo. E questo ci permette di esaminare, passo dopo passo, non solo un albero ma un’intera foresta di decisioni, e vedere come e perché è stata presa.
In geologia, come in altri campi, l’apprendimento automatico sta cambiando la natura dell’impresa scientifica via via che i metodi per trattare enormi quantità di dati arrivano a investire, in ordine sparso, questo o quell’ambito disciplinare. Tradizionalmente, la scienza procede formulando un’ipotesi, conducendo esperimenti e analizzando i dati, per poi raffinare l’ipotesi e fare nuovi esperimenti. Malgrado gli stupendi successi, questo metodo è vulnerabile ai preconcetti: un’ipotesi viziata, o semplicemente fuorviante, può compromettere i risultati e le conclusioni di tutto un progetto di ricerca.
Nel lavoro del nostro gruppo cerchiamo di ridurre al minimo il peso dei nostri preconcetti lasciando che la macchina vagli grandi quantità di dati sismici, alla ricerca di legami tra essi e alcuni importanti caratteri statistici di una faglia geologica in movimento, come l’attrito o lo spostamento della faglia. Nel corso di questa procedura il programma di apprendimento automatico si auto-costruisce. Poi mettiamo alla prova i collegamenti individuati proiettandoli su altri dati mai esaminati prima dal programma.
Il suono della faglia
Abbiamo iniziato analizzando i segnali acustici provenienti dai terremoti simulati da un’apposita apparecchiatura alla State University of Pennsylvania. Negli intervalli tra i terremoti artificiali, il sistema ad apprendimento automatico ha scoperto un segnale continuo che fino a quel momento, per anni, era stato ignorato da tutti, me compreso, perché considerato solo un rumore inutile. La cosa notevole è che questo segnale, qualunque sia il momento in cui viene letto, consente di diagnosticare le condizioni della faglia e, stando ai nostri esperimenti di laboratorio, rivela quanto tempo rimane prima che possa slittare.
