في الأول من يناير 2008، في تمام الساعة 1:59 صباحاً في كاليباتريا، كاليفورنيا، حدث زلزال. لم تسمع عن هذا الزلزال من قبل؛ حتى لو كنت تعيش في كاليباتريا، لما شعرت بأي شيء. كان بقوة -0.53 درجة، تقريباً نفس مقدار الاهتزاز الناتج عن مرور شاحنة. ومع ذلك، هذا الزلزال مُلفت للنظر، ليس لأنه كان كبيراً بل لأنه كان صغيراً – ومع ذلك نعرف عنه.
على مدى السنوات السبع الماضية، أتمتت أدوات الذكاء الاصطناعي المبنية على تصوير الحاسوب تقريباً بالكامل إحدى المهام الأساسية في علم الزلازل: اكتشاف الزلازل. ما كان في السابق مهمة المحللين البشر – ولاحقاً، برامج الحاسوب الأبسط – يمكن الآن القيام به تلقائياً وبسرعة بواسطة أدوات التعلم الآلي.
ثورة في الرؤية العلمية
يمكن لأدوات التعلم الآلي هذه اكتشاف زلازل أصغر من المحللين البشر، خاصة في البيئات الصاخبة مثل المدن. تعطي الزلازل معلومات قيمة حول تركيب الأرض والمخاطر التي قد تحدث في المستقبل.
“في أفضل السيناريوهات، عندما تتبنى هذه التقنيات الجديدة، حتى على نفس البيانات القديمة، يكون الأمر مثل ارتداء النظارات لأول مرة، ويمكنك رؤية الأوراق على الأشجار”
كايل برادلي، المؤلف المشارك لنشرة Earthquake Insights
تحدثت مع عدة علماء زلازل، وجميعهم اتفقوا على أن طرق التعلم الآلي قد حلت محل البشر للأفضل في هذه المهام المحددة.
كيف يعمل علماء الزلازل؟
عندما يحدث زلزال في مكان ما، ينتقل الاهتزاز عبر الأرض، مشابهاً لكيفية انتقال الموجات الصوتية عبر الهواء. في كلا الحالتين، من الممكن استخلاص استنتاجات حول المواد التي تمر عبرها الموجات.
تخيل النقر على جدار لمعرفة ما إذا كان مجوفاً. لأن الجدار الصلب يهتز بشكل مختلف عن الجدار المجوف، يمكنك معرفة الهيكل من خلال الصوت.
مع الزلازل، يسري نفس المبدأ. تمر الموجات الزلزالية عبر مواد مختلفة (الصخور، النفط، الصهارة، إلخ) بشكل مختلف، ويستخدم العلماء هذه الاهتزازات لتصوير باطن الأرض.
اتطلع علي …المصدر الأصلي
الأداة الرئيسية: مقياس الزلازل
الأداة الرئيسية التي يستخدمها العلماء تقليدياً هي مقياس الزلازل. هذه الأجهزة تسجل حركة الأرض في ثلاثة اتجاهات: أعلى-أسفل، شمال-جنوب، وشرق-غرب. إذا حدث زلزال، يمكن لمقاييس الزلازل قياس الاهتزاز في ذلك الموقع المحدد.
ثم يعالج العلماء معلومات مقياس الزلازل الخام لتحديد الزلازل.
التحدي قبل التعلم الآلي
قبل الخوارزميات الجيدة، كان فهرسة الزلازل يجب أن تحدث يدوياً. يقول بيرنز إن “تقليدياً، شيء مثل المختبر في هيئة المسح الجيولوجي الأمريكية كان لديه جيش من طلاب الجامعة أو المتدربين في الغالب ينظرون إلى مخططات الزلازل.”
ومع ذلك، هناك عدد محدود فقط من الزلازل التي يمكنك العثور عليها وتصنيفها يدوياً. إنشاء خوارزميات للعثور على الزلازل ومعالجتها بفعالية كان منذ فترة طويلة أولوية في المجال – خاصة منذ وصول أجهزة الحاسوب في أوائل الخمسينيات.
“مجال علم الزلازل تاريخياً تقدم دائماً مع تقدم الحوسبة”
كايل برادلي
التحدي الكبير مع الخوارزميات التقليدية
هناك تحدٍ كبير مع الخوارزميات التقليدية: لا يمكنها بسهولة العثور على الزلازل الأصغر، خاصة في البيئات الصاخبة.
كما نرى في مخطط الزلازل، يمكن للعديد من الأحداث المختلفة أن تسبب إشارات زلزالية. إذا كانت الطريقة حساسة جداً، فإنها تخاطر بالكشف الخاطئ عن الأحداث كزلازل. المشكلة سيئة بشكل خاص في المدن، حيث يمكن للضجيج المستمر للمرور والمباني أن يغرق الزلازل الصغيرة.
الحل: مطابقة القوالب والذكاء الاصطناعي
ومع ذلك، للزلازل “شكل” مميز. زلزال بقوة 7.7 درجة يبدو مختلفاً تماماً عن هبوط مروحية، على سبيل المثال.
لذا كانت إحدى الأفكار التي كان لدى العلماء هي صنع قوالب من مجموعات البيانات المُصنفة بشرياً. إذا كان شكل موجة جديد يرتبط بشكل وثيق مع قالب موجود، فهو تقريباً بالتأكيد زلزال.
في 2019، استخدم مختبر زاك روس في معهد كاليفورنيا للتكنولوجيا مطابقة القوالب للعثور على 10 أضعاف عدد الزلازل في جنوب كاليفورنيا مما كان معروفاً سابقاً، بما في ذلك الزلزال في بداية هذه القصة. تقريباً جميع الـ1.6 مليون زلزال الجديدة التي وجدوها كانت صغيرة جداً، بقوة 1 درجة وأقل.
ثورة الذكاء الاصطناعي
أدوات الكشف بالذكاء الاصطناعي تحل جميع هذه المشاكل:
- أسرع من مطابقة القوالب
- صغيرة الحجم (حوالي 350,000 معامل مقارنة بمليارات في نماذج اللغة الكبيرة مثل GPT-4)، يمكن تشغيلها على معالجات المستهلكين
- تعمم بشكل جيد للمناطق غير الممثلة في مجموعة البيانات الأصلية
نموذج Earthquake Transformer
أحد أكثر النماذج استخداماً هو Earthquake Transformer، الذي طُور حوالي 2020 من قبل فريق جامعة ستانفورد بقيادة س. مصطفى موسوي، الذي أصبح لاحقاً أستاذاً في هارفارد.
مثل العديد من نماذج كشف الزلازل، يكيف Earthquake Transformer هيكل المحول (Transformer) – نفس النوع من النماذج المستخدمة في ChatGPT – لمهمة كشف الزلازل.
المهمة الأساسية لكشف الزلازل تبدو كالتالي: بالنظر إلى ثلاثة أبعاد من الاهتزاز (شرق-غرب، شمال-جنوب، وأعلى-أسفل)، هل يمكننا تحديد ما إذا كان زلزال قد حدث، وإذا كان كذلك، متى بدأ؟
التأثير على المنطقة العربية
هذا التطور في تقنيات اكتشاف الزلازل له أهمية خاصة للمنطقة العربية، التي تضم عدة مناطق نشطة زلزالياً:
المناطق المعرضة للزلازل في المنطقة العربية:
- المغرب: يقع على حدود الصفائح التكتونية الأفريقية والأوراسية
- الجزائر وتونس: جزء من الحزام الزلزالي المتوسطي
- سوريا ولبنان: على طول صدع البحر الميت
- الأردن: يتأثر بنشاط صدع البحر الميت
- تركيا: تقع على عدة صدوع نشطة
الفوائد للمنطقة
تطبيق تقنيات الذكاء الاصطناعي في اكتشاف الزلازل يمكن أن يوفر للمنطقة العربية:
- إنذار مبكر محسن: اكتشاف أسرع وأدق للنشاط الزلزالي
- فهم أفضل للمخاطر: تحليل أعمق لأنماط الزلازل المحلية
- تخطيط عمراني أفضل: معلومات أدق لتقييم المخاطر الزلزالية
- استجابة طوارئ محسنة: بيانات أكثر دقة لفرق الإنقاذ
الخلاصة
ثورة الذكاء الاصطناعي في اكتشاف الزلازل تمثل تقدماً علمياً هائلاً يمكن أن ينقذ الأرواح ويحمي الممتلكات. بالنسبة للمنطقة العربية، التي تواجه تحديات زلزالية حقيقية، تقدم هذه التقنيات أملاً في مستقبل أكثر أماناً.
مع استمرار تطوير هذه التقنيات، نتوقع رؤية تحسينات كبيرة في قدرتنا على فهم والاستعداد للنشاط الزلزالي، مما يساهم في بناء مجتمعات أكثر مرونة في مواجهة الكوارث الطبيعية.
تابعوا موقع Motech Newsللحصول على آخر أخبار الذكاء الاصطناعي والتكنولوجيا
لا تعليق