Российские исследователи представили одну из наиболее технологически продвинутых на сегодняшний день систем искусственного интеллекта для анализа и прогнозирования последствий землетрясений. Проект под названием POSEIDON объединяет методы глубокого машинного обучения с фундаментальными законами сейсмологии, что позволяет модели не просто выявлять статистические зависимости, а интерпретировать происходящее с учётом физической природы процессов в земной коре.
Разработка уже привлекла внимание международного научного сообщества и рассматривается как перспективный шаг в сторону более надёжных систем оценки сейсмических рисков и раннего предупреждения.
Руководителем проекта выступил Борис Крюк, который вместе с командой поставил перед собой задачу пересмотреть традиционный подход к применению искусственного интеллекта в сейсмологии. В большинстве существующих решений физические законы используются постфактум — для проверки или интерпретации результатов работы модели. В случае POSEIDON физика стала частью самой архитектуры нейросети.
По словам разработчиков, принципиальным отличием системы стало то, что базовые законы сейсмологии встроены в процесс обучения. Нейросеть не игнорирует накопленные за десятилетия научные знания, а обучается внутри этих ограничений, используя их как источник информации, а не внешнюю проверку.
В основу POSEIDON легли классические эмпирические закономерности, хорошо известные в науке о землетрясениях. Среди них — закон Гутенберга—Рихтера, описывающий связь между магнитудой землетрясений и их частотой, а также закон Омори—Уцу, объясняющий, как со временем затухает активность афтершоков. Эти законы представлены в модели не как жёстко заданные формулы, а как обучаемые параметры, которые система оптимизирует на реальных данных.
В результате ИИ решает сразу несколько задач, которые ранее, как правило, рассматривались разрозненно. Первая — прогноз афтершоков и оценка вероятности цепочки повторных толчков после основного события. Вторая — анализ цунами-опасности и определение того, может ли конкретное землетрясение привести к формированию разрушительных волн. Третья — выявление форшоков, то есть признаков того, что текущее сейсмическое событие может предшествовать более сильному землетрясению.
Такой многоцелевой подход позволил повысить точность прогнозов по всем направлениям за счёт учёта взаимосвязей между различными проявлениями сейсмической активности. По словам авторов, объединение задач в рамках одной модели дало более устойчивые и интерпретируемые результаты по сравнению с узкоспециализированными алгоритмами.
Ключевую роль в создании системы сыграл масштабный массив данных. Исследователи собрали и обработали информацию о 2,8 млн землетрясений, произошедших за последние 30 лет в разных регионах мира. Для каждого события были учтены десятки параметров — магнитуда, глубина, координаты, временные характеристики, энергетические показатели, а также пространственно-временной контекст в окнах 7, 30 и 90 дней. Датасет был специально подготовлен для задач машинного обучения и опубликован в открытом доступе.
Тестирование показало, что POSEIDON демонстрирует результаты на уровне ведущих мировых решений и в ряде случаев превосходит традиционные методы — от градиентного бустинга до классических сверточных нейросетей. Особенно заметный эффект достигнут при оценке цунами-риска: при крайне несбалансированных данных, где события с цунами составляют около 1,14% выборки, модель показала значение AUC 0,971.
Разработчики подчёркивают, что для них важна не только точность прогнозов, но и их научная интерпретируемость. Обученные параметры модели сошлись к физически осмысленным значениям. Так, параметр b в законе Гутенберга—Рихтера составил 0,752, а параметры закона Омори—Уцу — p = 0,835 и c = 0,1948 суток, что соответствует диапазонам, принятым в современной сейсмологии. Это свидетельствует о том, что система не просто подгоняет данные, а воспроизводит реальные физические закономерности.
В дальнейшем команда планирует интегрировать в модель данные реального времени, включая прямой анализ сейсмических волн, а также перейти к непрерывному вероятностному прогнозированию. Рассматривается и возможность учёта процессов переноса напряжений в земной коре, что может расширить горизонты прогнозирования и повысить практическую ценность системы для оценки рисков.