从自然语言处理中借用的人工智能方法(很像智能手机上的语言翻译和文本自动填充)可以在实验室地震中以高分辨率预测未来的故障摩擦和下一次故障时间。该技术将人工智能应用于断层的声信号，通过预测断层物理系统未来状态的各个方面来推进先前的工作并超越。
“简而言之，我们预测未来的摩擦。这从未做过，它为近期预测地球地震时间提供了一条潜在途径，”地球物理研究快报上一篇关于该发现的论文的共同主要作者克里斯约翰逊说.
该论文的通讯作者、洛斯阿拉莫斯国家实验室的地球物理学家和实验室研究员 Paul Johnson 领导的团队在将各种机器学习技术应用于实验室和现场预测地震的挑战方面取得了稳步进展。
“正如我们现在所展示的，实验室断层发出的声学信号包含有关系统在整个地震周期及以后的未来基础物理学的预示信息，”保罗约翰逊说。“这是以前从未见过的。”
洛斯阿拉莫斯团队采用一种新颖的方法，将深度学习变压器模型应用于实验室故障的声发射广播，以预测摩擦状态。
“我们使用的深度学习转换器模型是语言翻译模型的同义词，例如谷歌翻译，它使用密码本将句子翻译成不同的语言，”克里斯约翰逊说。“你可以把它想象成用英语写一封电子邮件，让人工智能将英语翻译成日语，同时还能预测你的单词并自动填充句子的结尾。”
克里斯约翰逊说，人工智能“获取当前正在发生的事情的数据，并说明故障接下来会发生什么。”
洛斯阿拉莫斯团队之前曾使用多种机器学习技术预测实验室地震和历史慢滑地球数据中的故障失效时间。将机器学习应用于实验室剪切实验的数据表明，断层排放印有有关其当前状态和滑移周期位置的信息。
事实上，从断层发出并通过机器学习识别的连续地震信号的统计特征使洛斯阿拉莫斯的研究人员能够预测不断演变的瞬时——但不是未来——断层摩擦、位移和其他特征，以及下一个实验室的时间安排地震。
在之前的工作中，波形(或声发射)数据被输入到模型中以预测故障系统的当前状态。该预测包括对下一次滑动事件的倒计时估计或故障时间，具有一定程度的不确定性，这不是对未来的预测，而是对系统当前状态的描述。
“现在我们正在根据过去的数据进行未来预测，这超出了描述系统瞬时状态的范围。该模型正在从波形中学习，以预测未来的断层摩擦以及下一次滑动事件何时发生，仅使用过去的信息，而无需使用来自未来感兴趣的时间步长的任何数据，”克里斯约翰逊说。
“该模型不受物理约束，但它预测物理，即系统的实际行为，”克里斯约翰逊说。
“例如，下一个挑战是我们是否可以在地球上这样做来预测未来的断层位移，”保罗约翰逊说。“这是一个悬而未决的问题，因为我们没有像在实验室那样拥有用于模型训练的长数据集。”
该方法可以应用于其他学科，例如无损材料测试，它可以提供有关逐步损坏和即将损坏的信息，例如桥梁。