Un réseau de neurones artificiels a fait ses premiers pas vers la prédiction du moment et de la taille des futurs tremblements de terre destructeurs, selon les chercheurs du RIKEN. Leur article est publié dans la revue Communication Nature.
Les tremblements de terre se produisent généralement lorsque des parties de la croûte terrestre se déplacent soudainement autour d’une fracture ou d’une faille dans la roche. Cela libère une énorme quantité d’énergie de contrainte qui secoue la région environnante, déclenchant parfois d’énormes destructions, comme dans le cas du tremblement de terre de février en Turquie et en Syrie.
Prédire un tremblement de terre avant qu’il ne frappe pourrait donner aux gens suffisamment de temps pour évacuer les zones menacées, sauvant potentiellement plusieurs milliers de vies. Mais la prévision des tremblements de terre est notoirement difficile.
Pour créer des modèles mathématiques des tremblements de terre, les chercheurs font souvent une analogie avec les défauts dans les structures des cristaux – les fissures dans les cristaux ressemblent à des failles dans la croûte terrestre. Lorsqu’ils sont appliqués au mouvement des failles de la croûte, ces « modèles de dislocation » décrivent le mouvement et la déformation de la croûte terrestre lors des tremblements de terre.
En revanche, une équipe dirigée par Naonori Ueda du RIKEN Center for Advanced Intelligence Project (AIP) a envisagé d’appliquer un réseau neuronal qui apprend les lois physiques, appelé réseau neuronal informé par la physique (PINN). Les réseaux de neurones conventionnels apprennent les relations fonctionnelles entre les entrées et les sorties, tandis que les PINN diffèrent en ce qu’ils apprennent à satisfaire un modèle physique décrit par des équations aux dérivées partielles.
Cependant, l’équipe a découvert qu’un PINN, qui apprend des fonctions continues, serait difficile à appliquer directement à des cas tels que les modèles de déformation de la croûte, où le déplacement est discontinu à travers une ligne de faille.
Ueda et ses collègues ont surmonté cette difficulté en utilisant un système de coordonnées spécialement conçu pour gérer la discontinuité entre les failles. Cela leur a permis de modéliser avec précision la déformation de la croûte terrestre, même dans les régions proches des failles.
« La modélisation proposée a le potentiel de réaliser une prédiction de haute précision », déclare Ueda.
Les chercheurs ont formé leurs réseaux de neurones en utilisant des lois physiques plutôt que des données, ce qui est idéal pour les applications où l’acquisition de données peut être difficile.
Pour démontrer l’efficacité de l’approche, les chercheurs ont appliqué leurs réseaux de neurones basés sur la physique pour modéliser des failles décrochantes, dans lesquelles deux blocs de la croûte terrestre se déplacent horizontalement autour d’une fracture verticale. Le réseau pourrait transformer des informations sur un emplacement particulier à l’intérieur de la Terre en une prédiction de la quantité de déplacement de la croûte à ce point.
« Ce travail a démontré la capacité de PINN à modéliser avec précision la déformation de la croûte sur des structures complexes », déclare Tomohisa Okazaki, également de l’AIP.
Les PINN représentent une forme relativement nouvelle d’apprentissage automatique, et les chercheurs espèrent que leur approche pourra être appliquée à de nombreux autres problèmes impliquant la déformation de la croûte.
Plus d’information:
Tomohisa Okazaki et al, Approche d’apprentissage en profondeur basée sur la physique pour la modélisation de la déformation de la croûte, Communication Nature (2022). DOI : 10.1038/s41467-022-34922-1