Российские ученые объявили о создании одной из передовых в мире систем искусственного интеллекта для прогнозирования последствий землетрясений. Проект под названием POSEIDON (Physics?Optimized Seismic Energy Inference and Detection Operating Network) объединяет глубокое машинное обучение и фундаментальные законы физики, что позволяет не просто анализировать данные, а понимать природу сейсмических процессов. Разработка уже привлекла внимание международного научного сообщества и рассматривается как важный шаг к более надежным системам раннего предупреждения.
Руководителем проекта является российский исследователь Борис Крюк, который работал над системой совместно с командой. По словам ученых, ключевым отличием POSEIDON от большинства существующих решений стало принципиально иное отношение к физике землетрясений. В то время как традиционные модели машинного обучения используют физические законы лишь для проверки результатов, новая система встраивает их непосредственно в архитектуру нейросети.
«Слишком долго в сейсмологии физику рассматривали как нечто вторичное — как инструмент для валидации, а не как источник знаний для обучения модели», — отметил Борис Крюк. — «Мы изначально хотели построить систему, которая не игнорирует накопленный за десятилетия научный опыт, а учится внутри этих физических принципов».
В основе POSEIDON лежат хорошо известные законы сейсмологии. Среди них — закон Гутенберга—Рихтера, описывающий соотношение между магнитудой землетрясений и их частотой, а также закон Омори—Уцу, который объясняет, как со временем затухает активность афтершоков. Эти закономерности не просто добавлены в модель как жесткие ограничения, а представлены в виде обучаемых параметров, которые нейросеть оптимизирует на реальных данных.
Система решает сразу три ключевые задачи, которые ранее рассматривались по отдельности. Во?первых, это прогноз афтершоков — определение вероятности цепочки повторных толчков после основного землетрясения. Во?вторых, оценка цунами?опасности — способность понять, может ли конкретное событие привести к разрушительным волнам. В?третьих, выявление форшоков, то есть признаков того, что текущее землетрясение может быть предвестником более сильного.
Такой многоцелевой подход оказался не только удобным, но и эффективным. По словам разработчиков, объединение задач в одну модель позволило повысить точность прогнозов по всем направлениям за счет учета взаимосвязей между различными проявлениями сейсмической активности.
Создание POSEIDON стало возможным благодаря уникальному набору данных. Ученые собрали и обработали информацию о 2,8 млн землетрясений, произошедших за последние 30 лет по всему миру. Каждый эпизод в датасете описывается десятками параметров: магнитуда, глубина, координаты, временные характеристики, энергетические показатели, а также пространственный и временной контекст в окнах 7, 30 и 90 дней. Этот массив данных был специально подготовлен для машинного обучения и впоследствии выложен в открытый доступ.
Система продемонстрировала показатели, соответствующие мировому уровню и превосходящие традиционные методы — от градиентного бустинга до классических сверточных нейросетей. Особенно заметен успех в задаче оценки цунами?риска: при крайне несбалансированных данных, где цунами составляют лишь около 1,14% событий, модель достигла значения AUC 0,971.
Однако, как подчеркивает Борис Крюк, важна не только точность, но и научная осмысленность результатов. «Самое захватывающее для нас — это то, что обученные параметры сошлись к физически значимым значениям», — сказал он. — «Модель не просто выдала правильные ответы, она фактически воспроизвела реальные законы сейсмологии».
Так, значение b?параметра в законе Гутенберга—Рихтера, полученное системой, составило 0,752, а параметры закона Омори—Уцу оказались p = 0,835 и c = 0,1948 дня — все они находятся в пределах, признанных научным сообществом. Это означает, что ИИ не просто «угадывает», а действительно понимает физическую структуру данных.
В ближайших планах команды — интеграция данных реального времени, включая прямой анализ сейсмических волн, а также переход к непрерывному вероятностному прогнозированию. Ученые также изучают возможность учета физики переноса напряжений в земной коре, что может расширить горизонты прогнозирования.
