英國劍橋大學發布一項研究顯示，機器學習技術在實驗室模擬狀態下能成功預測地震，未來或許能更高效預測這類災害的發生。來自英國和美國的一組研究人員使用機器學習技術成功預測了地震的發生。盡管他們的研究工作是在實驗室里進行的，但這個實驗與現實生活中的情況非常相似，其研究結果可以用來預測地震發生的時間。

來自英國劍橋大學（University of Cambridge）、美國洛斯阿拉莫斯國家實驗室(Los Alamos National Laboratory)和美國波士頓大學(Boston University)的研究小組發現了一個隱藏的地震信號，并利用這個“蛛絲馬跡”訓練一種機器學習算法來預測未來地震的發生。他們的研究結果同樣適用于預測雪崩、滑坡等地質災害，且被發表在《地球物理評論快報》上。

對于地球科學家來說，預測地震的時間和震級是一個基本的目標。一般來說，確定地震的發生地相當簡單：如果地震在某個特定地點爆發，那么這個地方很有可能會再次發生地震。科學家幾十年來一直面臨的挑戰是如何確定地震何時發生，以及它的危害程度。在過去的15年里，雖然儀器的精確度得到了提高，但人類仍未找到可靠的地震預測技術。

該項目的一部分任務是尋找使用機器學習技術使氮化鎵(GaN)發光二極管更有效率的方法。這項研究的第一作者是Bertrand Rouet-Leduc，曾是劍橋大學的博士生，后來搬到新墨西哥州的洛斯阿拉莫斯國家實驗室，開始了劍橋大學和洛斯阿拉莫斯國家實驗室在材料科學機器學習上的合作。從那以后，研究小組開始幫助洛斯阿拉莫斯地球物理小組解答機器學習上的問題。

由保羅·約翰遜(Paul Johnson)領導的洛斯阿拉莫斯(Los Alamos)團隊研究了地震、地震前兆(通常是非常小的地球運動)和斷層之間的相互作用，希望開發出一種預測地震的方法。研究人員使用模擬真實地震的實驗室系統，利用機器學習技術來分析“斷層”在移動時發出的聲音信號，并搜索聲音模型。

實驗室使用鋼塊來模擬真實地震中的物理作用力，并記錄發出的地震信號和聲音。然后利用機器學習技術來尋找來自斷層的聲音信號與聲音衰減距離之間的關系。

這種機器學習算法能夠識別出一種特殊的聲音模型——以前被認為只是噪音，且早在地震發生之前就已經存在了。這種聲音模式的特點是可以用來精確估計(百分之幾以內)斷層的受力(即斷層承受了多大的力)，并估計聲音衰減之前剩余的時間，隨著衰減的臨近，估計值變得越來越精確。現在，研究小組認為這種聲音模型是一種直接測量給定時間內系統中彈性勢能的方法。

劍橋大學材料、科學與冶金系的教授兼這項研究的合著者柯林·亨弗瑞斯（Colin Humphreys）教授表示，這是機器學習第一次被用來分析聲學數據以預測地震的發生，在此之前，地震發生前的警告時間相當長，機器學習能做什么真是超乎想象！亨弗瑞斯教授的主要研究領域是節能和具有成本效益的發光二極管，他還是Rouet-Leduc在劍橋大學攻讀博士學位時的導師。

Rouet-Leduc表示，機器學習使得對數據集的分析過于龐大，以至于人類無法手動處理數據，機器學習以一種不偏不倚的方式看待數據，從而有了新的發現。

盡管研究人員發出警告，基于實驗室的實驗和真實的地震之間存在著多種差異，但他們仍希望通過把機器學習技術應用到與實驗室系統最相似的真實系統中來逐步擴展研究方法。美國加利福尼亞州的圣安德烈亞斯斷層帶(San Andreas Fault)就是這樣一個真實系統，在該斷層帶，典型的小重復地震與基于實驗室的地震模擬器相似。對由北加州延伸至加拿大卑詩省的卡斯卡迪亞斷層的研究也有了進展，在數周或數月內那里持續發生的緩慢地震與實驗室地震非常相似。

Rouet-Leduc稱，我們目前在儀器設備、機器學習上取得了重大進展，擁有更快的計算機，處理海量數據集的能力也在增強，這些都將給地震科學帶來巨大的進步。