Un team di ricercatori del Los Alamos National Laboratory ha riadattato Wav2Vec-2.0, un modello di intelligenza artificiale originariamente sviluppato per il riconoscimento vocale, per analizzare i segnali sismici. Questo approccio innovativo mira a decodificare l’attività sismica, rivelando modelli che potrebbero, in futuro, contribuire alla previsione dei terremoti.
Lo studio, pubblicato su Nature Communications, si è concentrato sull’analisi dei dati relativi al crollo della caldera del vulcano Kīlauea alle Hawaii nel 2018. Durante quell’evento, una serie di terremoti ha rimodellato il paesaggio vulcanico, offrendo un’opportunità unica per studiare i segnali sismici associati.
Christopher Johnson, uno dei principali ricercatori dello studio, ha spiegato: “Le registrazioni sismiche sono misurazioni acustiche delle onde che attraversano la Terra solida. Dal punto di vista dell’elaborazione del segnale, molte tecniche simili vengono applicate sia per l’analisi delle forme d’onda audio che sismiche”.
Il modello Wav2Vec-2.0 è stato pre-addestrato su forme d’onda sismiche continue e successivamente perfezionato utilizzando i dati del crollo del Kīlauea. L’intelligenza artificiale ha analizzato le forme d’onda sismiche, mappandole in base ai movimenti del terreno in tempo reale. I risultati suggeriscono che le faglie emettono segnali distinti mentre si spostano, modelli che l’IA può ora tracciare in tempo reale.
Nonostante questi progressi, la capacità dell’IA di prevedere i terremoti rimane limitata. I tentativi di addestrare il modello per anticipare eventi di slittamento futuri hanno prodotto risultati inconcludenti. Johnson ha sottolineato la necessità di ampliare i dati di addestramento per includere informazioni da altre reti sismiche, al fine di migliorare la capacità predittiva del modello.
Questo studio rappresenta un passo significativo nella ricerca sismologica, suggerendo che i modelli di intelligenza artificiale progettati per il riconoscimento vocale potrebbero essere particolarmente adatti a interpretare i complessi segnali generati dalle faglie nel tempo. Tuttavia, l’estensione di questi sforzi alle previsioni del mondo reale richiederà un ulteriore sviluppo del modello con vincoli basati sulla fisica.
