在实验室中成功预测了地震之后，一组地球物理学家将机器学习算法应用于西北太平洋沿岸的地震
俄勒冈州内斯科温海滩（Nescovin Beach）上有2000年历史的针叶林遗迹-位于俄勒冈州和华盛顿海岸的数十个“幽灵森林”之一。 据信，一次大地震曾经震撼了卡斯卡迪亚的俯冲带 ，树桩被埋在海啸带来的碎片之下。
去年5月，经过13个月的午睡，华盛顿普吉特湾（Puget Bay）的土地动荡起来。 地震始于奥林匹克山下30多公里的深度，并在几周内向西北移动，到达了加拿大的温哥华岛。 然后它短暂地转向，沿着美国边界向后爬，然后保持沉默。 每月一次的地震释放了足够的能量，因此其震级估计为6。到地震结束时，温哥华岛的南端向太平洋推进了1厘米。
由于地震的时空如此模糊，很可能没人会感觉到它。 这种比普通快速地震更深的地下幽灵地震被称为“缓慢滑动”。 它们大约每年发生一次，发生在西北太平洋，沿着断层，
胡安·德·富卡板块缓慢地蠕动到
北美板块西边缘的北部下方。 自2003年以来，该地区广泛的地震台网记录了十几个缓慢的滑动。 在过去的一年半中，这些事件一直是由地球物理学家
Paul Johnson领导的地震预测项目的重点。
约翰逊（Johnson）的团队是使用机器学习试图发现地震物理秘密并隔离正在发生的地震迹象的几批科学家之一。 两年前，约翰逊及其同事使用模式搜寻算法
成功地在实验室模型中
预测了地震，该算法类似于最近在图像和语音识别以及人工智能其他应用中的突破。 从那以后，这一成就
被欧洲科学家
重复 。
现在，约翰逊和他的团队在9月份于预印本网站arxiv.org上发表的
一篇论文中报告，他们测试了西北太平洋慢地震的算法。 这项工作尚未经过独立专家的测试，但他们已经在报告结果令人鼓舞。 约翰逊（Johnson）认为，该算法可以“在几天-甚至更早”内预测慢地震的发生。
莱斯大学的地震学家
Maarten de Hoop说：“这是一个非常有趣的发展。” 在预测地震时，“这是我们取得进展的时刻第一次”。
斯坦福大学的地球物理学家莫斯塔法·穆萨维（Mostafa Mousavi）称新结果“有趣而又有动力”。 他，de Hoop和该领域的其他专家强调，机器学习在开始预测灾难性地震之前还有很长的路要走-并且这条道路的某些障碍可能非常困难，甚至可能是无法克服的。 尽管如此，对于几十年来停滞不前，几乎看不到希望的科学家来说，机器学习可能是最好的机会。
卡纸和卡纸
已命名地震强度等级量表的已故地震学家
查尔斯·里希特 （
Charles Richter）在1977年指出，地震预测可能是“寻求宣传的恋人，疯子和骗子的绝佳土壤”。 今天，许多地震学家将向您证实，他们已经遇到了很多这三种类型的代表。
然而，碰巧，受人尊敬的科学家提出了一些想法，回想起来，这些想法似乎与事实相去甚远，有时甚至是疯狂的。 雅典大学的地球物理学家Panagiotis Varotsos说，他能够通过测量“地震电信号”来识别即将发生的地震。 布莱恩·布雷迪（Brian Brady）是1980年代初期美国矿产部的物理学家，他对秘鲁即将发生的地震多次提出了错误的警告，他的发现基于未经证实的发现，即在矿山中开裂石头表明即将发生地震。
保罗·约翰逊（Paul Johnson）知道了这个有争议的故事。 他知道在很多地方谈论“地震预测”甚至是不雅的。 他知道，六名意大利科学家在2012年因无意中杀害29人而被定罪，轻描淡写了意大利拉奎拉市发生地震的机会，几天前该
地区几乎被 6.3级地震
摧毁 （然后上诉法院取消了此判决）。 他了解著名的地震学家，他们有
说服力地指出 “地震是无法预测的”。
但是，约翰逊也知道地震是与死亡恒星的坍塌或风向变化没有本质区别的物理过程。 尽管他强调研究的主要目的是更好地了解故障的物理原理，但他并没有拒绝预测的任务。
保罗·约翰逊（Paul Johnson），来自洛斯阿拉莫斯国家实验室（Los Alamos National Laboratory）的地震学家，手里拿着一个丙烯酸塑料样品-该小组用来模拟实验室地震的材料之一十多年前，约翰逊开始研究“实验室地震”，这种地震是使用沿着颗粒状材料的薄层滑动的块来模拟的。 这些块像构造板块一样，不能平稳滑动，但会卡住并停止。 有时，它们在摩擦力作用下冻结了几秒钟，然后增加的力足以使它们突然开始进一步滑动。 这种滑移-地震的实验室版本-释放了压力，此后，参差不齐的运动循环又开始了。
当Johnson和同事们记录了这种间歇运动期间发生的声音信号时，他们注意到每次滑动之前都会出现尖锐的峰值。 运动前的这些事件在实验室上等同于地震波，在地震之前会产生震动。 但是，正如地震学家们试图将初步的地震转变成对主要地震发生时刻的预测未成功一样，约翰逊及其同事也无法弄清楚如何将这些事前事件转变成对实验室地震的可靠预测。 约翰逊回忆说：“我们处于死胡同。” “我没有看到继续的方法。”
几年前，约翰逊在洛斯阿拉莫斯的一次会议上向一群理论家解释了这一难题。 他们提议使用机器学习算法重新分析数据-到那时，这种方法已经众所周知，因为它能够很好地识别音频数据中的模式。
科学家们共同制定了一个计划。 他们决定在实验过程中录制五分钟的音频-包括大约20个滑动和卡住的周期-并将其切成许多小段。 对于每个片段，研究人员计算了80多个统计特征，包括平均信号，与平均值的偏差以及有关该片段中是否包含移位之前声音的信息。 当研究人员对数据进行追溯分析时，他们知道在每个有声音的片段和随后的实验室推送之间经过了多少时间。
借助用于训练的这些数据，他们使用了一种称为“
随机森林 ”的机器学习算法来系统地搜索与班次之前剩余时间明显相关的功能组合。 在研究了几分钟的实验数据之后，该算法可以开始根据声学特征预测剪切时间。
Johnson和同事选择了随机森林算法来预测直到新的转变为止的剩余时间，特别是因为（与神经网络和其他流行的机器学习算法相比）随机森林相对容易解释。 该算法本质上是作为决策树，其中每个分支基于某个统计特征共享一个数据集。 因此，该树存储了用于预测的算法符号的记录以及帮助算法进行特定预测的每个符号的相对重要性。
偏光透镜显示出构造板块模型沿着断层线向侧面移动之前的应力累积。当来自Los Alamos的研究人员研究其算法的细节时，他们感到惊讶。 在大多数情况下，该算法所依赖的统计特征与实验室地震前发生的事件无关。 它更大的
方差是信号与平均值之间偏差的度量，此外，它分布在整个制动和滑动周期中，而不是集中在紧接换档之前的时刻。 色散从较小的值开始，然后在接近偏移的过程中逐渐累积，这可能是因为随着电压的累积，块之间的晶粒越来越相互碰撞。 知道了这种差异，该算法就能够很好地预测换档的开始时间。 有关即将发生的事件的信息有助于澄清这些猜想。
这一发现可能会带来严重的后果。 几十年来，人们一直在尝试根据初步的地震和其他孤立的地震事件来预测地震。 洛斯阿拉莫斯（Los Alamos）的结果表明，他们都在错误的地方寻找东西-预测的关键是不太明确的信息，这些信息可以在重大地震事件之间相对安静的时期内收集。
当然，塑料滑块不能完全描述真实地质断层的化学，热和形态复杂性。 为了展示机器学习在预测真实地震中的威力，约翰逊需要对真实故障进行测试。 他认为，有没有比太平洋西北海岸更好的地方？
离开实验室
地球上大多数可能发生9级地震的地方都是
俯冲带 ，一个构造板块在另一个板块下蠕动。 日本东部的俯冲带是2011年
东北地震和随后的海啸的原因，海啸摧毁了该国的海岸。一次，卡斯卡迪亚俯冲带（胡安·德·富卡板块潜伏在北美板块西边缘的北部下方）也将破坏该海湾。普吉特，温哥华岛及周边的西北太平洋地区。
卡斯卡迪亚俯冲带从加利福尼亚的门多奇诺角到温哥华岛，沿着太平洋海岸延伸了1000公里。 上一次地震是1700年1月，地震造成9级地震和海啸到达日本海岸。 地质调查表明，在
全新世期间，这一断层大约每五十万年（上下正负几百年）就产生了一次类似的特大地震。 从统计上讲，以下任何世纪都可能发生。
这是地震学家一直关注该地区缓慢地震的原因之一。 据认为，俯冲带下部的缓慢地震将少量应力带入位于上方的脆性地壳中，在那里发生快速而破坏性的冲击。 每次缓慢的地震，在普吉特湾地区-温哥华群岛发生特大地震的可能性都会稍高。 实际上，在日本，东北地震发生前几个月就观察到了缓慢的地震。
但是约翰逊还有一个追踪慢地震的原因：它们产生大量数据。 相比之下，在过去的12年中，普吉特湾-温哥华岛断层没有发生过一次大的快速地震。 但是在同一时期，该断层引发了十多次慢地震，每一次都被仔细记录在地震目录中。
该地震目录是在约翰逊的地震实验中获得的声学记录的真实副本。 Johnson和他的同事们以与实验室录音相同的方式，将地震数据分成小段，并用一组统计特征对其进行了描述。 然后，他们将这些数据和有关以前的慢地震何时发生的信息提供给他们的机器学习算法。
对2007年至2013年的数据进行训练后，该算法能够根据每次事件前几个月记录的数据成功预测2013年至2018年发生的慢地震。 关键因素是地震能量-该值与实验室实验中声信号的散布密切相关。 像弥散一样，地震能量通常会在每次慢地震中增长。
卡斯卡迪亚俯冲带的预测不像实验室地震那样准确。 在新结果中，表征预测与观测结果的一致性质量的相关系数明显小于实验室。 尽管如此，该算法仍能够预测2013年至2018年除一次地震外的所有地震，据约翰逊称，这表明开始日期在几天之内（研究中未包括2019年8月的慢地震）。
对于de Hoop来说，主要结论是“机器学习技术为我们提供了一个切入点，这是一种数据分析方法，用于查找我们之前从未见过或搜索过的事物。” 但是，他警告说，还有很多工作要做。 “我们迈出了重要的一步-极其重要的一步。 但是，这是朝正确方向迈出的微小一步。”
清醒的真理
地震预测的目的从来都不是慢地震的预测。 每个人都需要预测威胁生命和健康的突发性和灾难性震颤。 对于机器学习，这似乎代表了一个悖论：地震学家最希望预测的最大地震发生的可能性最小。 机器学习算法如何获得足够的训练数据来自信地预测它？
洛斯阿拉莫斯小组认为，原则上，不需要对从灾难性地震记录中获得的数据进行训练就可以成功预测它们的算法。 最近的研究表明，小地震之前的地震模式与大地震之前的统计模式在统计上相似，并且每天在同一断层中都会发生数十次小地震。 从数以千计的这些小冲击中学到了经验，计算机也许能够预测出大冲击。 同样，机器学习算法可能能够从快速地震的计算机模拟中学习，这一天有可能成为真实数据的替代品。
但是尽管如此，科学家们仍然面临着一个清醒的事实：尽管导致地震边缘断层的物理过程是可以预见的，但地震的发生-小地震扰动的增长，导致全面的断层断裂-在大多数科学家看来，这包含了机会元素。 如果是这样，那么无论机器学习的质量如何，他们可能永远都无法像科学家预测其他自然灾害那样预测地震。
约翰逊说：“我们还不知道做出预测的日期有多准确。” -会像飓风一样吗？ 不，我不这么认为。”
充其量来说，大地震的预测将给出数周，数月或数年的时间范围。 这样的预测不能用于例如组织震颤前夕的城市大规模撤离。 但是他们可以改善此事件的准备，帮助官员集中精力加强不安全的建筑物，并减少发生灾难性地震的风险。
约翰逊认为，这一目标值得实现。 但是，作为一名现实主义者，他意识到这将需要很多时间。 他说：“我并不是说我们将学会预测一生中的地震，但我们将朝着这个方向取得巨大进展。”