1 Ocak 2008'de, Calipatria, Kaliforniya'da saat 01:59'da bir deprem meydana geldi. Bu depremden muhtemelen hiç haberiniz olmadı; hatta orada yaşasaydınız bile hiçbir şey hissetmeyebilirdiniz. Büyüklüğü -0.53 olan bu deprem, geçen bir kamyonun yarattığı sarsıntı kadar bir etkiye sahipti. Ancak bu deprem, büyüklüğünden değil, küçüklüğüne rağmen tespit edilebilmesinden dolayı dikkat çekiciydi.
Son yedi yılda, bilgisayar görüntüleme tabanlı yapay zeka araçları, sezmolojinin temel görevlerinden biri olan deprem tespitini neredeyse tamamen otomatik hale getirdi. Eskiden insan analistlerin ve daha sonra basit bilgisayar programlarının yaptığı bu iş, artık makine öğrenmesi araçları tarafından otomatik ve hızlı bir şekilde gerçekleştirilebiliyor.
Bu makine öğrenmesi araçları, özellikle şehirler gibi gürültülü ortamlarda, insan analistlerden daha küçük depremleri tespit edebiliyor. Depremler, Dünya'nın yapısı ve gelecekteki potansiyel tehlikeler hakkında değerli bilgiler sunuyor.
Bir yapay zeka uzmanı, bu yeni teknikleri benimsemenin, adeta ilk kez gözlük takmak gibi olduğunu ve detayları daha net görmeyi sağladığını belirtiyor. Deprem bilimciler de makine öğrenmesi yöntemlerinin bu spesifik görevlerde insanları daha iyi bir şekilde yerini aldığını kabul ediyor.
Ancak gelecekte ne olacağı konusunda belirsizlikler de mevcut. Deprem tespiti, sezmolojinin temel bir parçası olsa da, henüz bu alanda büyük bir etki yaratmamış birçok veri işleme görevi de bulunuyor. En büyük potansiyel etkilerin, deprem tahmini gibi alanlara henüz tam olarak yansımadığı görülüyor. Bu devrimin hala devam ettiği düşünülüyor.
Sezmolojistler Ne Yapar?
Bir deprem meydana geldiğinde, sarsıntı yerin içinden, tıpkı ses dalgalarının havada yayılması gibi geçer. Her iki durumda da, dalgaların geçtiği materyaller hakkında çıkarımlar yapmak mümkündür.
Duvarın boş olup olmadığını anlamak için duvara vurmayı hayal edin. Dolu bir duvar, boş bir duvardan farklı titreşeceği için, ses yoluyla yapının ne olduğunu anlayabilirsiniz.
Depremlerde de aynı prensip geçerlidir. Sismik dalgalar, farklı malzemelerden (kaya, petrol, magma vb.) farklı şekillerde geçer ve bilim insanları bu titreşimleri kullanarak Dünya'nın iç yapısını görüntüleyebilir.
Bilim insanlarının geleneksel olarak kullandığı ana araç, sismometre'dir. Bunlar, Dünya'nın hareketini üç yönde kaydeder: yukarı-aşağı, kuzey-güney ve doğu-batı. Bir deprem meydana geldiğinde, sismometreler o belirli konumdaki sarsıntıyı ölçebilir.
Bilim insanları daha sonra ham sismometre bilgilerini işleyerek depremleri tanımlarlar.
Depremler, farklı hızlarda hareket eden birden fazla türde sarsıntı üretir. Birincil (P) dalgaları ve İkincil (S) dalgaları olmak üzere iki tür özellikle önemlidir ve bilim insanları bu fazların başlangıcını belirlemeyi tercih eder.
Makine Öğrenmesi Öncesinde Depremleri Bulmak
İyi algoritmalar öncesinde, deprem kataloglarının el ile hazırlanması gerekiyordu. Geleneksel olarak, bir laboratuvarda çoğunlukla lisans öğrencileri veya stajyerlerden oluşan bir ekip sismogramları incelerdi. Ancak manuel olarak bulunup sınıflandırılabilecek deprem sayısı sınırlıdır. Etkili bir şekilde deprem bulmak ve işlemek için algoritmalar oluşturmak, özellikle bilgisayarların 1950'lerin başından beri hayatımızda olmasıyla birlikte, alanın önceliği haline gelmiştir.
Sezmoloji alanı, hesaplama teknolojisinin ilerlemesiyle tarihsel olarak her zaman gelişmiştir. Ancak geleneksel algoritmaların büyük bir zorluğu vardı: özellikle gürültülü ortamlarda küçük depremleri kolayca bulamıyorlardı. Birçok farklı olayın sismik sinyallere neden olabileceği göz önüne alındığında, bir yöntem aşırı hassas olursa, olayları yanlışlıkla deprem olarak algılama riski taşıyordu. Şehirlerdeki trafik ve binaların sürekli uğultusu küçük depremleri bastırabildiği için bu sorun özellikle şehirlerde daha da kötüleşiyordu.
Bununla birlikte, depremlerin kendine özgü bir "şekli" vardır. Örneğin, helikopter inişinden oldukça farklı görünen bir büyüklükte 7.7 deprem örneği düşünelim.
Bu nedenle bilim insanlarının bir fikri, insan tarafından etiketlenmiş veri kümelerinden şablonlar oluşturmaktı. Eğer yeni bir dalga formu mevcut bir şablona yakından uyum sağlıyorsa, neredeyse kesinlikle bir deprem olduğu anlaşılıyordu. Şablon eşleştirme, yeterli insan etiketli örneğiniz varsa çok iyi çalışır. Bu yöntemle, daha önce bilinen deprem sayısının 10 katı kadar deprem tespit edilebildi; bulunan yeni depremlerin neredeyse tamamı çok küçüktü (büyüklük 1 ve altı).
Ancak, önceden var olan kapsamlı bir şablon veri kümeniz yoksa, şablon eşleştirmeyi kolayca uygulayamazsınız. Bu, Güney Kaliforniya gibi zaten büyük ölçüde tamamlanmış bir deprem kaydına sahip bölgeler için bir sorun olmasa da, başka yerlerde zorluk yaratır. Ayrıca, şablon eşleştirme hesaplama açısından yoğundur; Güney Kaliforniya deprem veri kümesini bu yöntemle oluşturmak, günler süren hesaplama gücü gerektiriyordu.
Daha iyi bir yol olmalıydı.
Deprem Dönüştürücü'yü (Earthquake Transformer) Anlamak
Yapay zeka tespit modelleri tüm bu sorunları çözüyor:
Şablon eşleştirmeden daha hızlıdırlar.
Yapay zeka tespit modelleri oldukça küçük olduğundan (GPT4.0 gibi milyarlarca parametreye sahip büyük dil modellerine kıyasla yaklaşık 350.000 parametre), tüketici düzeyindeki CPU'larda çalıştırılabilirler.
Yapay zeka modelleri, orijinal veri kümesinde temsil edilmeyen bölgelere iyi genelleme yaparlar.
Ek bir avantaj olarak, yapay zeka modelleri farklı türdeki deprem sarsıntılarının ne zaman geldiği hakkında daha iyi bilgi verebilir. En önemli iki dalga olan P ve S dalgalarının varış zamanlarını belirlemek, "faz seçimi" olarak adlandırılır. Bu, bilim insanlarının depremin yapısı hakkında çıkarımlar yapmasına olanak tanır. Yapay zeka modelleri bunu deprem tespitiyle birlikte yapabilir.
Deprem tespitinin (ve faz seçiminin) temel görevi şu şekildedir:
İlk üç satır, farklı titreşim yönlerini (sırasıyla doğu-batı, kuzey-güney ve yukarı-aşağı) temsil eder. Bu üç boyutlu titreşim verildiğinde, bir deprem olup olmadığını ve eğer öyleyse ne zaman başladığını belirleyebilir miyiz?
Depremin merkezinden doğrudan gelen ilk P dalgasını tespit etmek istiyoruz. Ancak bu, P dalgasının yankılarının diğer kaya katmanlarından yansıyıp daha sonra gelmesi ve dalga biçimini daha karmaşık hale getirmesi nedeniyle zor olabilir.
İdeal olarak, modelimiz örnekteki her zaman adımı için üç şey çıktı verir:
O anda bir depremin meydana gelme olasılığı.
İlk P dalgasının o anda ulaşma olasılığı.
İlk S dalgasının o anda ulaşma olasılığı.
Bu üç çıktıyı dördüncü satırda görüyoruz: yeşil renkte tespit, mavi renkte P dalgası varışı ve kırmızı renkte S dalgası varışı. (Bu örnekte iki deprem var.)
Bir yapay zeka modelini eğitmek için bilim insanları yukarıdakine benzer büyük miktarda etiketlenmiş veri alırlar ve denetimli eğitim yaparlar. En çok kullanılan modellerden biri olan ve yaklaşık 2020'de önde gelen bir ekip tarafından geliştirilen Deprem Dönüştürücü'yü (Earthquake Transformer) ele alalım.
Birçok deprem tespit modeli gibi, Deprem Dönüştürücü de görüntü sınıflandırmasından fikirler alır. Okuyucular, 2012'de derin öğrenme patlamasını başlatan ünlü bir görüntü tanıma modeli olan AlexNet'e aşina olabilirler.
AlexNet, birbirine fiziksel olarak yakın piksellerin ilişki kurma olasılığının daha yüksek olduğu fikrine dayanan konvolüsyonları kullandı. AlexNet'in ilk konvolüsyonel katmanı, bir görüntüyü kenarlar veya gradyanlar gibi basit özelliklerin varlığına dayanarak her bir parçayı sınıflandıran 11 piksellik küçük parçalara ayırdı. Bir sonraki katman, ilk katmanın sınıflandırmalarını girdi olarak aldı ve dokular veya basit şekiller gibi daha üst düzey kavramları kontrol etti.
Her konvolüsyonel katman, görüntünün daha büyük bir bölümünü analiz etti ve daha üst bir soyutlama düzeyinde çalıştı. Son katmanlara gelindiğinde, ağ tüm görüntüye bakıyor ve "mantar" ve "konteyner gemisi" gibi nesneleri tanımlıyordu.
Görüntüler iki boyutlu olduğu için AlexNet, iki boyutlu konvolüsyonlara dayanır. Buna karşılık, sismograf verileri tek boyutludur, bu nedenle Deprem Dönüştürücü zaman boyutu boyunca tek boyutlu konvolüsyonlar kullanır. İlk katman, 0.1 saniyelik parçalar halinde titreşim verilerini analiz ederken, sonraki katmanlar giderek daha uzun zaman dilimlerindeki kalıpları tanımlar.
Deprem modelinin tam olarak hangi kalıpları seçtiğini söylemek zor olsa da, bunu tek boyutlu konvolüsyonları kullanan varsayımsal bir ses transkripsiyon modeliyle analojik olarak düşünebiliriz. Bu model önce ünsüz harfleri, sonra heceleri, kelimeleri ve giderek artan zaman ölçeklerinde cümleleri tanımlayabilir.
Deprem Dönüştürücü, ham dalga formu verilerini, deprem ve diğer sismolojik olarak önemli olayların olasılığını gösteren yüksek seviyeli temsiller koleksiyonuna dönüştürür. Bunu, bir depremin ve en önemlisi P ve S dalgalarının tam olarak ne zaman meydana geldiğini belirleyen bir dizi dekonvolüsyon katmanı izler.
Model ayrıca, zaman serisinin farklı bölümleri arasındaki bilgiyi karıştırmak için modelin ortasında bir dikkat katmanı (attention layer) kullanır. Dikkat mekanizması, büyük dil modellerinde kelimeler arasındaki bilgiyi iletmeye yardımcı olmasıyla en ünlüdür. Sismografik tespitlerde de benzer bir rol oynar. Deprem sismogramlarının genel bir yapısı vardır: P dalgaları, ardından S dalgaları ve ardından diğer türde sarsıntılar. Dolayısıyla, bir bölüm P dalgasının başlangıcına benziyorsa, dikkat mekanizması bunun daha geniş bir deprem örüntüsüne uyup uymadığını kontrol etmesine yardımcı olur.
Deprem Verilerini Ölçeklendirmek
Deprem Dönüştürücü'nün tüm bileşenleri, sinir ağı literatüründeki standart tasarımlardır. PhaseNet gibi diğer başarılı tespit modelleri daha da basittir. PhaseNet, deprem dalgalarının varış zamanlarını seçmek için yalnızca tek boyutlu konvolüsyonlar kullanır. Dikkat katmanları yoktur.
Genel olarak, "sezmoloji için yeni mimariler icat etmeye çok fazla ihtiyaç duyulmamıştır". Görüntü işlemeden türetilen teknikler yeterli olmuştur.
Peki, bu genel mimarileri bu kadar iyi çalıştıran neydi? Veri. Çok fazla veri.
Ars daha önce, görüntü tanıma kıyaslaması olan ImageNet'in tanıtımının derin öğrenme patlamasını ateşlemeye nasıl yardımcı olduğuna dair haberler yaptı. Büyük, kamuya açık deprem veri kümeleri, sezmolojide benzer bir rol oynamıştır.
Deprem Dönüştürücü, dünya çapından 1,2 milyon insan tarafından etiketlenmiş sismogram verisi segmenti içeren Stanford Deprem Veri Seti (STEAD) kullanılarak eğitildi. (STEAD için hazırlanan makale, ImageNet'i ilham kaynağı olarak açıkça belirtiyor). PhaseNet gibi diğer modeller de yüz binlerce veya milyonlarca etiketlenmiş segment üzerinde eğitildi.
Veri ve mimarinin kombinasyonu işe yarıyor. Geleneksel yöntemlerle daha önce belirlenen deprem sayısının 10 katından fazla deprem bulan makine öğrenmesi yöntemleri, artık "komik derecede iyi" olarak tanımlanıyor. Bunun bir örneği İtalyan bir deprem kataloğunda görülebilir.
Yapay zeka araçları, şablon eşleştirmeden daha fazla deprem tespit etmeyebilir. Ancak yapay zeka tabanlı teknikler, hesaplama ve iş gücü açısından çok daha az yoğundur, bu da onları ortalama bir araştırma projesi için daha erişilebilir kılar ve dünya çapındaki bölgelerde uygulanmasını kolaylaştırır.
Sonuç olarak, bu makine öğrenmesi modelleri o kadar iyidir ki, özellikle küçük büyüklükteki depremler için tespit ve faz seçimine yönelik geleneksel yöntemleri neredeyse tamamen ikame etmişlerdir.
Tüm Bu Yapay Zeka Şeyleri Ne İşe Yarıyor?
Deprem biliminin kutsal kasesi deprem tahminidir. Örneğin, bilim insanları Seattle yakınlarında büyük bir depremin olacağını biliyorlar ancak bunun yarın mı yoksa yüz yıl sonra mı olacağını bilme konusunda çok az yetenekleri var. Etkilenen bölgelerdeki insanları tahliye etmeye olanak tanıyacak kadar hassas deprem tahmin edebilmek faydalı olacaktır.
Yapay zeka araçlarının deprem tahminine yardımcı olacağını düşünebilirsiniz, ancak bu henüz gerçekleşmiş gibi görünmüyor.
Uygulamaların daha teknik ve daha az gösterişli olduğunu belirten bir bilim insanı, yapay zeka modellerinin daha kapsamlı deprem katalogları sağladığını ve bunun da "birçok farklı tekniği" ortaya çıkardığını ifade ediyor.
En ilginç uygulamalardan biri volkanların anlaşılması ve görüntülenmesidir. Volkanik aktivite, büyük miktarda küçük deprem üretir ve bu depremlerin konumu, bilim insanlarının magma sisteminin yapısını anlamalarına yardımcı olur. Örneğin, büyük bir yapay zeka tarafından oluşturulan deprem kataloğu kullanılarak Hawaii volkanik sisteminin yapısının inanılmaz bir görüntüsü oluşturuldu. Bu çalışma, derin Pāhala sil kompleksinin Mauna Loa'nın sığ volkanik yapısıyla olan daha önce hipotezlenmiş bir magma bağlantısına dair doğrudan kanıt sundu. Bu, oklar ve işaretlerle gösterilen deprem aktivitesi bandı ile görülebilir. Yazarlar ayrıca Pāhala sil kompleksinin yapısını ayrı magma katmanlarına ayırmayı başardılar. Bu ayrıntı düzeyi, depremlerin gerçek zamanlı izlenmesini ve daha doğru patlama tahminlerini potansiyel olarak kolaylaştırabilir.
Diğer bir umut verici alan ise devasa veri kümeleriyle başa çıkma maliyetini düşürmektir. Dağıtılmış Akustik Algılama (DAS) gibi güçlü teknikler, fiber optik kabloları kullanarak kablonun tüm uzunluğu boyunca sismik aktiviteyi ölçer. Tek bir DAS dizisi günde yüzlerce gigabayt veri üretebilir. Bu kadar çok veri, bireysel ayak seslerini bile ayırabilecek kadar yüksek çözünürlüklü veri kümeleri oluşturabilir.
Yapay zeka araçları, DAS verilerindeki depremleri çok doğru bir şekilde zamanlamayı mümkün kılar. DAS verilerindeki faz seçimi için yapay zeka tekniklerinin tanıtılmasından önce, araştırmacılar geleneksel teknikleri denediler. Bunlar "kabaca işe yarasalar da", sonraki analizleri için yeterince doğru değillerdi. Yapay zeka olmadan, bu çalışmaların çoğu "çok daha zor" olurdu.
Araştırmacılar ayrıca gelecekte yapay zeka araçlarının zengin DAS verilerindeki "yeni sinyal türlerini" izole etmelerine yardımcı olacağını umuyor.
Her Yapay Zeka Tekniği Başarılı Olmadı
Birçok bilimsel alanda olduğu gibi, sezmolojistler de araştırmalarına uygun olsun ya da olmasın, yapay zeka yöntemlerini benimseme baskısı altındadır. Okullarda her şeyin önüne "yapay zeka" kelimesini koyma eğilimi olduğu belirtiliyor.
Bu durum, teknik olarak sağlam ama pratik olarak kullanışsız makalelere yol açabilir. Bazı yapay zeka tekniklerine dayanan ve "depremlerin nasıl çalıştığına dair temel bir anlayış eksikliği gösteren" birçok makale görüldüğü ifade ediliyor. Mezun öğrencilerin, bilim alanının temellerini daha az öğrenme pahasına yapay zeka yöntemlerinde uzmanlaşma baskısı hissedebilecekleri belirtiliyor. Bu tür yapay zeka güdümlü araştırmaların yerleşmesi durumunda, eski yöntemlerin "anlamsızlık tarafından rekabet dışı bırakılacağı" korkusu dile getiriliyor.
Bunlar gerçek sorunlar olsa da, yapay zeka deprem tespitinin başarısını gölgelememektedir. Son beş yılda, yapay zeka tabanlı bir iş akışı, sezmolojinin temel görevlerinden birini büyük ölçüde ve daha iyi bir şekilde değiştirmiştir. Bu oldukça etkileyici bir gelişmedir.
