AI ถอดรหัส 'แผ่นดินไหวเงียบ' ลึกลับใต้รอยเลื่อนซานแอนเดรียส - DeepStrain เปิดโปงปริศนาที่นักธรณีวิทยามองไม่เห็น

เมื่อนำไปใช้กับพื้นที่ Parkfield ผลลัพธ์ที่ได้น่าทึ่งมาก: DeepStrain ตรวจจับ SSEs ที่เคยถูกบันทึกไว้โดยนักวิทยาศาสตร์ได้ถึง 90% และที่สำคัญกว่านั้นคือ ระบุ SSEs ใหม่ได้อีก 21 เหตุการณ์ ที่ถูกมองข้ามไป จากการวิเคราะห์ด้วยมือ การเพิ่มขึ้นประมาณ 30% ของจำนวนเหตุการณ์ที่รู้จักนี้ช่วยให้เห็นภาพพฤติกรรมของรอยเลื่อนในส่วนที่ถูกศึกษาอย่างเข้มข้นที่สุดของรอยเลื่อนซานแอนเดรียสได้สมบูรณ์ยิ่งขึ้น

ความเชื่อมโยงเชิงเวลากับแผ่นดินไหวความถี่ต่ำ

บางทีสิ่งที่สำคัญที่สุดที่ค้นพบคือเมื่อทีมวิจัยวิเคราะห์ช่วงเวลาของ SSEs ที่เพิ่งค้นพบใหม่เทียบกับ LFEs ข้อมูลแสดงให้เห็นว่า เหตุการณ์เลื่อนไถลช้าๆ มักเกิดขึ้นก่อนแผ่นดินไหวความถี่ต่ำ ลำดับเหตุการณ์นี้บ่งชี้ถึงกลไกที่เป็นเหตุเป็นผลกัน: การเลื่อนไถลช้าๆ ที่ไม่ก่อให้เกิดแผ่นดินไหว (aseismic slip) ได้เพิ่มภาระหรือกระตุ้นให้เกิดรอยเลื่อนขนาดเล็กที่ก่อให้เกิด LFE ขึ้นในภายหลัง

ผลลัพธ์นี้สอดคล้องกับงานวิจัยก่อนหน้านี้ที่แสดงให้เห็นว่ากิจกรรมของ tremor และ LFE ใกล้ Parkfield มีสัดส่วนระหว่างโมเมนต์และระยะเวลาเช่นเดียวกับ SSEs ซึ่งบ่งชี้ว่ามันเชื่อมโยงกันทางกายภาพ แผ่นดินไหวความถี่ต่ำถูกตีความมานานแล้วว่าเป็นตัวบ่งชี้ถึงการเลื่อนไถลแบบไร้แผ่นดินไหวที่อยู่รอบๆ แต่ DeepStrain ได้ให้หลักฐานทางธรณีวิทยา (geodetic) ที่ชัดเจนที่สุดเท่าที่เคยมีมาว่าเหตุการณ์เลื่อนไถลช้าๆ แต่ละเหตุการณ์เกิดขึ้นก่อนและน่าจะเป็นตัวกระตุ้นให้เกิดแผ่นดินไหวขนาดเล็กเหล่านั้น

ผลกระทบต่อการเฝ้าระวังรอยเลื่อนและบทบาทของ AI ในธรณีฟิสิกส์

ขีดความสามารถในการตรวจจับที่ขยายออกไป

DeepStrain แสดงให้เห็นว่า AI สามารถดึงสัญญาณทางธรณีวิทยาที่อยู่ต่ำกว่าเกณฑ์การตรวจจับของทั้งเครือข่าย GPS และการวิเคราะห์ข้อมูลเครื่องวัดความเครียดด้วยมือได้ แคตตาล็อก SSEs ที่ขยายใหญ่ขึ้นนี้ช่วยให้การศึกษาทางสถิติเกี่ยวกับพฤติกรรมของรอยเลื่อน ช่วงเวลาการเกิดซ้ำ และสภาวะที่นำไปสู่แผ่นดินไหวขนาดใหญ่มีความแม่นยำมากขึ้น

ความเชื่อมโยงเชิงสาเหตุระหว่างการเลื่อนไถลแบบไร้แผ่นดินไหวและแบบแผ่นดินไหว

การสังเกตว่า SSEs มักเกิดก่อน LFEs อย่างเป็นระบบ สนับสนุนแบบจำลองที่การเลื่อนไถลช้าๆ จะเพิ่มภาระให้กับรอยเลื่อนบริเวณใกล้เคียง ทำให้มันเข้าใกล้สภาวะล้มเหลวมากขึ้น ซึ่งมีความเกี่ยวข้องโดยตรงต่อการทำความเข้าใจการเกิดและการเกิดซ้ำของแผ่นดินไหวบนรอยเลื่อนซานแอนเดรียส ซึ่งเป็นพื้นที่สำคัญสำหรับการประเมินอันตรายจากแผ่นดินไหว

ศักยภาพในการปฏิบัติงานแบบเรียลไทม์

เนื่องจาก DeepStrain สามารถปรับใช้กับข้อมูลจากเครื่องวัดความเครียดใต้ดินแบบต่อเนื่องได้ มันจึงเป็นเครื่องมือสำหรับตรวจจับการเปลี่ยนแปลงชั่วคราวที่อาจนำไปสู่แผ่นดินไหวขนาดใหญ่ได้แบบใกล้เคียงเรียลไทม์ เครือข่าย NOTA มีโครงสร้างพื้นฐานของเครื่องวัดความเครียดที่จำเป็นอยู่แล้ว และทำให้ข้อมูลและเครื่องมือประมวลผลพร้อมใช้งานสำหรับชุมชนนักวิจัย สิ่งนี้สามารถเปลี่ยนแปลงวิธีการที่ระบบเตือนภัยแผ่นดินไหวล่วงหน้านำข้อมูลทางธรณีวิทยามาใช้ได้อย่างสิ้นเชิง

กระบวนทัศน์ใหม่สำหรับ AI ในธรณีฟิสิกส์

งานวิจัยนี้เป็นส่วนหนึ่งของหลักฐานที่เพิ่มขึ้นเรื่อยๆ ว่าการเรียนรู้เชิงลึกสามารถดึงสัญญาณธรณีฟิสิกส์ที่มองไม่เห็นด้วยวิธีการดั้งเดิมออกมาได้อย่างเป็นระบบ แนวทางที่คล้ายกัน เช่น การใช้ CNN เพื่อตรวจจับ tremor ใน Cascadia และการเรียนรู้เชิงลึกเพื่อระบุ LFEs บนรอยเลื่อนซานแอนเดรียส แสดงให้เห็นว่า AI สามารถทำหน้าที่เป็น 'ตัวคูณกำลัง' ให้กับเครือข่ายการตรวจสอบที่มีอยู่ได้ DeepStrain พิสูจน์ว่าหลักการเดียวกันนี้ใช้ได้กับข้อมูลจากเครื่องวัดความเครียดใต้ดิน ซึ่งเป็นเซ็นเซอร์สำคัญในการตรวจจับการเลื่อนไถลชั่วคราวในส่วนลึกของรอยเลื่อน

ข้อควรระวังและคำถามที่ยังคงอยู่

รายละเอียดสถาปัตยกรรมที่แน่ชัดของ DeepStrain (ว่าใช้โครงสร้างแบบ Convolutional, Recurrent หรือ Transformer-based) ยังไม่มีรายละเอียดในบทสรุปที่เปิดเผยต่อสาธารณะ รายละเอียดระเบียบวิธีทั้งหมดอยู่ในเอกสาร Nature Communications (doi: 10.1038/s41467-026-74095-9) นอกจากนี้ อัลกอริทึมนี้ยังได้รับการตรวจสอบความถูกต้องเฉพาะในส่วน Parkfield เท่านั้น ประสิทธิภาพของมันบนรอยเลื่อนอื่นที่มีการกำหนดค่าเครื่องวัดความเครียดและลักษณะสัญญาณรบกวนที่แตกต่างกันนั้นยังต้องรอการทดสอบต่อไป