Después de un terremoto, vienen las réplicas. Y, aunque lo más devastador de sus consecuencias ha ocurrido, aún existe el riesgo de que una estructura dañada por el sismo principal se derrumbe, lo que sigue representando un peligro para la población en las áreas afectadas. Si bien se puede predecir el tamaño y el momento de estas réplicas hasta cierto punto, pronosticar su ubicación es más difícil.
Una nueva investigación llevada a cabo entre científicos de la Universidad de Harvard y Google sugiere que la inteligencia artificial (IA) puede ayudar a identificar la distribución espacial de las réplicas mejor que los modelos existentes. Los investigadores han empleado el aprendizaje profundo en busca de un criterio basado en el estrés estático, que pronostica las ubicaciones de las réplicas.
Los investigadores entrenaron una red neuronal para buscar patrones en una base de datos de más de 131.000 réplicas principales. Después, probaron sus predicciones en un conjunto de datos de prueba independiente de más de 30.000 pares de réplicas principales. Los resultados han sido publicados en *Nature* este 29 de agosto.
De acuerdo a sus hallazgos, la red de aprendizaje profundo ha sido significativamente más confiable que el modelo existente más usado, el llamado "cambio de estrés por falla de Coulomb". En una escala de precisión del 0 a 1, siendo 1 un modelo preciso, el modelo de Coulomb obtuvo 0.583, mientras que el nuevo sistema de IA alcanzó 0.849.
"Encontramos que el patrón de réplica aprendido es físicamente interpretable: el cambio máximo en el esfuerzo cortante, el criterio de rendimiento de von Mises (una versión escalada del segundo invariante del tensor de cambio de tensión desviador) y la suma de los valores absolutos de los componentes independientes del tensor de cambio de estrés explica cada uno más del 98 por ciento de la varianza en la predicción de la red neuronal", señalan los autores, y añaden:
> Esta visión impulsada por el aprendizaje automático proporciona pronósticos mejorados de ubicaciones de réplicas e identifica cantidades físicas que pueden controlar el disparo del terremoto durante la parte más activa del ciclo sísmico.
El éxito de la IA aplicada en sismología se debe a su capacidad de dar sentido a las conexiones que encuentra entre la gran cantidad de variables implicadas, como la composición del terreno en diferentes áreas, los tipos de interacciones entre las placas sísmicas o las formas en que la energía se propaga en las ondas a través de la tierra.
El factor que mencionan los investigadores, el "criterio de rendimiento de von Mises", es un cálculo complejo usado para predecir cuándo los materiales comenzarán a romperse bajo estrés. Brendan Meade, profesor de ciencias planetarias y terrestres en Harvard, quien ayudó a escribir el artículo, explicó a *ScienceDaily* que este factor se usa a menudo en campos como la metalurgia, "pero nunca ha sido popular en la ciencia de los terremotos". Con este nuevo modelo de IA, los geólogos pueden investigar su aplicación.
La implementación del modelo de IA de esta investigación todavía está lejos, pues solo está enfocado en las réplicas causadas por cambios permanentes en el suelo, el mencionado estrés estático. Sin embargo, las réplicas también pueden ser causadas por los estruendos en el suelo que ocurren después, conocidos como estrés dinámico.
Por otro lado, el modelo es aún demasiado lento como para ser eficiente en una situación real. Generalmente, las réplicas ocurren en el primer día después del terremoto principal. Después, la frecuencia disminuye a aproximadamente la mitad en cada día posterior.
Phoebe DeVries, postdoctora de Harvard que ayudó a dirigir la investigación, dijo a ScienceDaily:
> Todavía estamos muy lejos de poder pronosticar [réplicas], pero creo que el aprendizaje automático tiene un gran potencial aquí.