Medidas das vibrações da Terra ziguezagueavam pela tela de Mostafa Mousavi certa manha£ em Memphis, Tennessee. Como parte de seus estudos de doutorado em geofa­sica, ele examinou sinais de terremoto registrados na noite anterior, verificando se algoritmos de décadas anteriores haviam detectado terremotos verdadeiros em vez de tremores gerado por coisas comuns, como ondas quebrando, caminhaµes que passam ou fa£s de futebol pisoteando.

“Eu fiz todo esse trabalho tedioso por seis meses, olhando para dados conta­nuos” , lembrou recentemente Mousavi, agora um cientista pesquisador da Escola de Ciências da Terra, Energia e Ambientais de Stanford (Stanford Earth). “Foi aa­ que pensei: 'Deve haver uma maneira muito melhor de fazer essas coisas.'”

Isso foi em 2013. Os smartphones porta¡teis já vinham carregados com algoritmos que podiam dividir a fala em ondas sonoras e gerar as palavras mais prova¡veis ​​nesses padraµes. Usando inteligaªncia artificial, eles podem atéaprender com gravações anteriores para se tornarem mais precisos com o tempo.

Ondas sa­smicas e ondas sonoras não são tão diferentes. Um se move atravanãs da rocha e fluido, o outro atravanãs do ar. No entanto, embora o aprendizado de ma¡quina tenha transformado a maneira como os computadores pessoais processam e interagem com voz e som, os algoritmos usados ​​para detectar terremotos em fluxos de dados sa­smicos praticamente não mudaram desde a década de 1980.

Isso deixou muitos terremotos não detectados.

Grandes terremotos são difa­ceis de perder, mas são raros. Enquanto isso, terremotos imperceptivelmente pequenos acontecem o tempo todo. Ocorrendo nas mesmas falhas que terremotos maiores - e envolvendo a mesma física e os mesmos mecanismos - esses “micro-terremotos” representam um cache de informações inexploradas sobre como os terremotos evoluem - mas apenas se os cientistas puderem encontra¡-los.

Em um artigo recente publicado na Nature Communications , Mousavi e co-autores descrevem um novo manãtodo para usar a inteligaªncia artificial para colocar em foco milhões dessasmudanças sutis da Terra. “Ao melhorar nossa capacidade de detectar e localizar esses terremotos muito pequenos, podemos ter uma visão mais clara de como os terremotos interagem ou se espalham ao longo da falha, como eles comea§am, atémesmo como param”, disse o geofa­sico de Stanford Gregory Beroza, um dos os autores do artigo.

Mousavi começou a trabalhar em tecnologia para automatizar a detecção de terremotos logo após sua passagem pelo exame de sismogramas dia¡rios em Memphis, mas seus modelos lutaram para desligar o rua­do inerente aos dados sa­smicos. Alguns anos depois, após ingressar no laboratório de Beroza em Stanford em 2017, ele começou a pensar em como resolver esse problema usando o aprendizado de ma¡quina.

O grupo produziu uma sanãrie de detectores cada vez mais poderosos. Um modelo de 2018 chamado PhaseNet, desenvolvido por Beroza e o estudante de graduação Weiqiang Zhu, adaptou algoritmos de processamento de imagens médicas para se destacar na seleção de fases, que envolve a identificação do ini­cio preciso de dois tipos diferentes de ondas sa­smicas. Outro modelo de aprendizado de ma¡quina, lana§ado em 2019 e apelidado de CRED , foi inspirado em algoritmos de acionamento de voz em sistemas de assistente virtual e provou ser eficaz na detecção. Ambos os modelos aprenderam os padraµes fundamentais de sequaªncias de terremotos de um conjunto relativamente pequeno de sismogramas registrados apenas no norte da Califa³rnia.

No artigo da Nature Communications , os autores relatam que desenvolveram um novo modelo para detectar terremotos muito pequenos com sinais fracos que os manãtodos atuais geralmente ignoram, e para escolher o tempo preciso das fases sa­smicas usando dados de terremotos de todo o mundo. Eles o chamam de Transformador de Terremoto.

De acordo com Mousavi, o modelo baseia-se no PhaseNet e no CRED e “incorpora os insights que recebi quando estava fazendo tudo isso manualmente”. Especificamente, Earthquake Transformer imita a maneira como os analistas humanos olham para o conjunto de wiggles como um todo e, em seguida, focam em uma pequena seção de interesse.

As pessoas fazem isso intuitivamente na vida dia¡ria - desligando-se de detalhes menos importantes para se concentrar mais intensamente no que éimportante. Os cientistas da computação o chamam de “mecanismo de atenção” e frequentemente o usam para melhorar as traduções de textos. Mas énovo no campo da detecção automa¡tica de terremotos, disse Mousavi. “Imagino que esta nova geração de detectores e selecionadores de fase seráa norma para monitoramento de terremotos nos pra³ximos um ou dois anos”, disse ele.

A tecnologia pode permitir que os analistas se concentrem em extrair ideias de um cata¡logo mais completo de terremotos, liberando seu tempo para pensar mais sobre o que significa o padrãodos terremotos, disse Beroza, o professor Wayne Loel de Ciências da Terra em Stanford Earth.

Compreender os padraµes de acaºmulo de pequenos tremores ao longo de décadas ou séculos pode ser a chave para minimizar surpresas - e danos - quando um terremoto maior ocorrer.

O terremoto Loma Prieta de 1989 foi classificado como um dos desastres terremotos mais destrutivos da história dos Estados Unidos e um dos maiores a atingir o norte da Califórnia no século passado. a‰ uma distinção que fala menos ao poder extraordina¡rio no caso de Loma Prieta do que a s lacunas na preparação para terremotos, mapeamento de perigos e ca³digos de construção - e a  extrema raridade de grandes terremotos.

Apenas cerca de um em cada cinco dos cerca de 500.000 terremotos detectados globalmente por sensores sa­smicos a cada ano produzem tremores fortes o suficiente para que as pessoas percebam. Em um ano normal, talvez 100 terremotos causem danos.

No final da década de 1980, os computadores já estavam trabalhando na análise de dados sa­smicos registrados digitalmente e determinaram a ocorraªncia e localização de terremotos como o Loma Prieta em poucos minutos. Limitações nos computadores e nos dados da forma de onda, no entanto, deixaram muitos pequenos terremotos não detectados e muitos terremotos maiores medidos apenas parcialmente.

Depois da dura lição de Loma Prieta, muitas comunidades da Califórnia passaram a confiar em mapas que mostram as zonas de falha e as áreas onde os terremotos podem causar mais danos. Desenvolver o registro de terremotos anteriores com o Earthquake Transformer e outras ferramentas pode tornar esses mapas mais precisos e ajudar a revelar falhas que poderiam vir a  luz apenas na esteira da destruição de um terremoto maior, como aconteceu com Loma Prieta em 1989, e com o terremoto de magnitude 6,7 em Northridge em Los Angeles cinco anos depois.

“Quanto mais informações pudermos obter sobre a estrutura de falha tridimensional profunda por meio do monitoramento aprimorado de pequenos terremotos, melhor poderemos prever os terremotos que estãoa  espreita no futuro”, disse Beroza.

Para determinar a localização e magnitude de um terremoto, algoritmos existentes e especialistas humanos procuram o tempo de chegada de dois tipos de ondas. O primeiro conjunto, conhecido como ondas prima¡rias ou P, avana§a rapidamente - empurrando, puxando e comprimindo o solo como um Slinky conforme se movem por ele. Em seguida, vão as ondas de cisalhamento ou S, que viajam mais lentamente, mas podem ser mais destrutivas, pois movem o lado da Terra para os lados ou para cima e para baixo.

Para testar o Earthquake Transformer, a equipe queria ver como ele funcionava com terremotos não inclua­dos nos dados de treinamento usados ​​para ensinar aos algoritmos como éum verdadeiro terremoto e suas fases sa­smicas. Os dados de treinamento inclua­ram um milha£o de sismogramas marcados a  ma£o registrados principalmente nas últimas duas décadas, onde terremotos acontecem em todo o mundo, exceto o Japa£o. Para o teste, eles selecionaram cinco semanas de dados conta­nuos registrados na regia£o do Japa£o abalada 20 anos atrás pelo terremoto Tottori de magnitude 6,6 e seus tremores secunda¡rios.

O modelo detectou e localizou 21.092 eventos - mais de duas vezes e meia o número de terremotos detectados manualmente, usando dados de apenas 18 das 57 estações que os cientistas japoneses usaram originalmente para estudar a sequaªncia. O Transformador de terremoto provou ser particularmente eficaz para minaºsculos terremotos que são mais difa­ceis de serem detectados pelos humanos e registrados em números esmagadores conforme os sensores sa­smicos se multiplicam.

“Anteriormente, as pessoas projetavam algoritmos para dizer, encontre a onda P. Esse éum problema relativamente simples ”, explicou o co-autor William Ellsworth, um professor pesquisador em geofa­sica em Stanford. Localizar o ini­cio da onda S émais difa­cil, disse ele, porque ela emerge dos últimos suspiros erra¡ticos das ondas P que se movem rapidamente. Outros algoritmos foram capazes de produzir cata¡logos de terremotos extremamente detalhados , incluindo um grande número de pequenos terremotos perdidos por analistas - mas seus algoritmos de correspondaªncia de padraµes funcionam apenas na regia£o que fornece os dados de treinamento.

Com o Earthquake Transformer sendo executado em um computador simples, a análise que normalmente levaria meses de trabalho especializado foi conclua­da em 20 minutos. Essa velocidade épossibilitada por algoritmos que buscam a existaªncia de um terremoto e o tempo das fases sa­smicas em tandem, usando informações coletadas de cada pesquisa para estreitar a solução para as outras.

“O Earthquake Transformer obtanãm muito mais terremotos do que outros manãtodos, sejam pessoas sentadas e tentando analisar as coisas olhando para as formas de onda ou manãtodos de computador mais antigos”, disse Ellsworth. “Estamos analisando com muito mais profundidade o processo de terremotos e fazendo isso de maneira mais eficiente e precisa”.

Os pesquisadores treinaram e testaram o Earthquake Transformer em dados hista³ricos, mas a tecnologia estãopronta para sinalizar pequenos terremotos quase assim que eles acontecem. De acordo com Beroza, “o monitoramento de terremotos usando aprendizado de ma¡quina quase em tempo real estara¡ dispona­vel em breve”.