دقت یادگیری عمیق در برابر مدل ETAS در پیش‌بینی پس‌لرزه‌ها

نیروهای امدادی و سازمان‌های دفاع غیرنظامی برای تصمیم‌گیری درباره زمان ایمن ورود به یک ساختمان فروریخته یا بازگشایی یک پل، به پیش‌بینی‌های پس‌لرزه متکی هستند. دهه‌هاست که این احتمالات توسط مدل «توالی پس‌لرزه نوع اپیدمیک» (ETAS) محاسبه می‌شود؛ یک مدل آماری پرکاربرد که در سال ۱۹۸۸ توسعه یافت و فرض می‌کند زلزله‌ها بر اساس قوانین تجربی ثابت، لرزه‌های بعدی را تحریک می‌کنند. در طول هشت سال گذشته، زلزله‌شناسی شاهد ورود گسترده مدل‌های یادگیری عمیق بوده است که وعده می‌دهند با یادگیری الگوهای پیچیده و پنهانِ تحریک مستقیماً از کاتالوگ‌های عظیم لرزه‌ای، این پیش‌بینی‌ها را متحول کنند.

با این حال، بررسی سیستماتیک شواهد، یک توقف غافلگیرکننده را نشان می‌دهد. وقتی پیشرفته‌ترین شبکه‌های عصبی به‌طور دقیق با یک مدل ETAS که به‌درستی کالیبره شده مقایسه می‌شوند، هنوز برتری آماری معناداری در دقت پیش‌بینی از خود نشان نداده‌اند. پیشرفت واقعی هوش مصنوعی در پیش‌بینی زلزله، در دیدن واضح‌تر آینده نیست، بلکه در محاسبه بسیار سریع‌تر آن است.[6]

بحث بر سر برتری پیش‌بینی هوش مصنوعی در اوت ۲۰۱۸ آغاز شد؛ زمانی که یک مطالعه برجسته منتشر شده در نشریه نیچر (Nature)، از یک شبکه عصبی عمیق آموزش‌دیده روی ۱۳۱,۰۰۰ جفت لرزه اصلی-پس‌لرزه استفاده کرد. این مدل در پیش‌بینی مکان‌های پس‌لرزه به سطح زیر منحنی (AUC) برابر با ۰.۸۴۹ دست یافت که به‌طور قابل‌توجهی بهتر از مدل کلاسیک تغییر تنش شکست کولن با امتیاز ۰.۵۸۳ بود. این دستاورد به‌عنوان نقطه عطفی برای یادگیری ماشین در ژئوفیزیک مورد تحسین قرار گرفت.[1]

این نقطه عطف خیلی زود در چارچوب واقعی خود قرار گرفت. در اکتبر ۲۰۱۹، پژوهشگرانی به نام‌های آرنو مینیان و مارکو بروکاردو نشان دادند که یک مدل رگرسیون لجستیک ساده (که در عمل یک شبکه عصبی با تنها یک نورون است) در صورت دریافت همان داده‌های مکانی، می‌تواند دقیقاً به همان AUC برابر با ۰.۸۴۹ دست یابد. مدل یادگیری عمیق با موفقیت فاصله از گسلش لرزه اصلی را به‌عنوان محرک اولیه پس‌لرزه‌ها شناسایی کرده بود، اما ۱۳,۰۰۰ پارامتر آن هیچ قدرت پیش‌بینی اضافه‌ای نسبت به یک مدل پایه آماری دو پارامتری ارائه نمی‌داد.[2]

از آن زمان، معماری‌ها بسیار پیچیده‌تر شده‌اند. پژوهشگران از نقشه‌های مکانی ایستا فراتر رفته و به سراغ «فرآیندهای نقطه‌ای عصبی» (NPPs) رفته‌اند که تکامل زمانی پیوسته یک توالی زلزله را مدل‌سازی می‌کنند. در اوت ۲۰۲۳، مدل «پیش‌بینی بازگشتی زلزله» (RECAST) نشان داد که یادگیری عمیق می‌تواند با موفقیت کاتالوگ‌های بزرگ و متنوع زلزله را دریافت کرده و الگوهای آماری مورد انتظار در لرزه‌خیزی را به‌طور مستقل بازیابی کند و چارچوبی بسیار انعطاف‌پذیر ارائه دهد.[3]

با این حال، هنگامی که این مدل‌ها تحت آزمایش‌های سخت‌گیرانه و شبه‌آینده‌نگر قرار می‌گیرند (جایی که مدل‌ها دقیقاً روی داده‌های پس از دوره آموزش خود ارزیابی می‌شوند)، شکاف دقت همچنان بسته می‌ماند. معیار EarthquakeNPP در مارس ۲۰۲۶، که پروتکل‌های ارزیابی را در میان جوامع زلزله‌شناسی و یادگیری ماشین استانداردسازی کرد، پنج فرآیند نقطه‌ای عصبی مدرن را در برابر ETAS آزمایش کرد. با استفاده از شاخص PR-AUC، مدل پایه ETAS امتیاز ۰.۱۲۵ را کسب کرد و از بهترین طبقه‌بند عصبی با امتیاز ۰.۱۰۱ پیشی گرفت. نویسندگان نتیجه گرفتند که «هیچ‌یک از پنج مدل NPP آزمایش‌شده بهتر از ETAS عمل نمی‌کنند»، که نشان می‌دهد پیاده‌سازی‌های فعلی هنوز آماده جایگزینی با استاندارد سال ۱۹۸۸ نیستند.[5]

با این وجود، جایی که یادگیری عمیق قطعاً پیروز می‌شود، تأخیر عملیاتی است. مدل ETAS برای تولید یک پیش‌بینی احتمالی، نیازمند اجرای هزاران شبیه‌سازی پرهزینه از نظر محاسباتی است؛ فرآیندی که روی سخت‌افزارهای استاندارد برای یک توالی بزرگ و فعال می‌تواند ساعت‌ها یا حتی روزها طول بکشد. در مقابل، یک شبکه عصبی آموزش‌دیده می‌تواند نقشه احتمال مکانی را تقریباً در لحظه خروجی دهد. همان‌طور که فوتینی درویسی، نویسنده اصلی یک مطالعه در نوامبر ۲۰۲۵ درباره پیش‌بینی فضایی-زمانی اشاره کرد: «مدل‌های یادگیری ماشین می‌توانند پیش‌بینی‌های پس‌لرزه را در عرض چند ثانیه تولید کنند و کیفیتی قابل‌مقایسه با پیش‌بینی‌های ETAS نشان دهند.»[4]

این تفاوت سرعت، نحوه به‌کارگیری پیش‌بینی‌ها را اساساً تغییر می‌دهد. بلافاصله پس از یک لرزه اصلی به بزرگی ۷.۰ ریشتر، زمانی که خطر یک گسیختگی ثانویه ویرانگر در بالاترین حد خود قرار دارد، یک روز صبر کردن برای شبیه‌سازی ETAS از نظر عملیاتی بی‌فایده است. یک شبکه عصبی که از نظر دقت با ETAS برابری می‌کند اما نقشه را در چهار ثانیه تحویل می‌دهد، به مدیران بحران اجازه می‌دهد تا تصمیمات فوری و مبتنی بر داده درباره مناطق تخلیه و عملیات نجات بگیرند.

شواهد نشان می‌دهد که جهش بعدی در پیش‌بینی زلزله تنها از طریق پیچیدگی الگوریتمی حاصل نخواهد شد، بلکه از داده‌هایی که آن را تغذیه می‌کنند نشأت می‌گیرد. یادگیری ماشین در حال حاضر برای ساخت کاتالوگ‌های لرزه‌ای با وضوح بالا استفاده می‌شود که میلیون‌ها ریزلرزه را که پیش‌تر در میان نویزها گم شده بودند، شناسایی می‌کند. با رشد این مجموعه داده‌های ارتقایافته، مدل‌های عصبی (که محدود به هسته‌های ریاضی ثابت ETAS نیستند) ممکن است در نهایت ساختارهای پنهان فضایی-زمانی مورد نیاز برای شکستن سقف دقت را پیدا کنند.