Earthquake aftershock forecasting with conditional generative models

Lorsqu'un séisme massif frappe, le sol ne devient pas simplement silencieux. Pendant des heures, des jours et parfois des années après, la croûte continue de tressaillir, libérant des milliers de secousses plus petites connues sous le nom de répliques. Celles-ci suivent un rythme prévisible : elles se produisent le plus fréquemment juste après l'événement principal et s'estompent progressivement, tandis que leurs localisations ont tendance à se regrouper le long de la ligne de faille spécifique qui s'est rompue. Les scientifiques utilisent depuis longtemps des règles statistiques pour deviner où et quand ces répliques pourraient se produire, traitant chaque tremblement comme un point isolé dans un vaste nuage aléatoire. Ces méthodes traditionnelles fonctionnent bien en moyenne, mais elles échouent souvent à capturer les détails désordonnés du monde réel sur la façon dont une séquence spécifique se déroule. Elles peinent à prédire la forme exacte de la zone de répliques ou le nombre de tremblements qu'une séquence spécifique produira, lissant souvent les motifs dentelés alignés sur la faille qui définissent les suites d'un véritable séisme.

Un chercheur de l'Université de Californie à Berkeley a développé une nouvelle façon de prévoir ces séquences qui va au-delà des simples statistiques. Au lieu d'essayer de prédire les tremblements individuels un par un, il a entraîné un modèle informatique à imaginer l'ensemble du paysage futur de l'activité sismique comme une seule image évolutive. Cette nouvelle approche, appelée QuakeGen, apprend de vastes quantités de données historiques de séismes pour comprendre comment les répliques se propagent dans l'espace et le temps. Testé contre les méthodes standard utilisées par les agences gouvernementales, ce nouveau modèle s'est avéré plus précis pour localiser les regroupements de répliques et la façon dont l'activité décroît. Il a réussi à recréer les formes longues et étroites des zones de répliques qui suivent les failles réelles, un détail que les anciens modèles manquent souvent, les remplaçant par des suppositions circulaires vagues.

L'idée centrale derrière ce travail est un changement de perspective. La prévision traditionnelle traite une séquence de séisme comme une liste d'événements distincts, utilisant des formules mathématiques fixes pour estimer combien d'événements se produiront et où. Ces formules supposent que les répliques se propagent uniformément dans toutes les directions à partir du choc principal, comme des ondulations dans un étang. Cependant, les véritables séismes ne se comportent pas ainsi. Les répliques s'alignent généralement le long de la faille brisée, créant des grappes allongées et étirées qui reflètent la géométrie de la rupture profonde dans le sous-sol. Le chercheur a réalisé qu'essayer de prédire chaque événement individuellement limitait sa capacité à voir cette image globale. Au lieu de cela, il a décidé de traiter la prévision comme un champ, de la même manière que les météorologues cartographient la météo. Il voulait un modèle capable de générer une carte complète de l'activité sismique future, montrant à la fois le nombre de tremblements attendus et la taille du plus grand d'entre eux dans chaque petite parcelle de terrain.

Pour construire ce système, le chercheur a utilisé un type d'intelligence artificielle connu sous le nom de modèle de diffusion. Cette technologie, qui a récemment révolutionné des domaines comme la prédiction météorologique et l'analyse de la structure des protéines, fonctionne en apprenant à inverser un processus d'ajout de bruit. Imaginez une photographie claire qui est lentement recouverte de statique jusqu'à ce qu'elle devienne un grain pur et dénué de sens. Un modèle de diffusion apprend comment prendre ce grain et, étape par étape, supprimer le bruit pour révéler l'image originale. Dans cette étude, l'« image » n'est pas une photographie mais une carte de l'activité sismique. Le modèle part d'une carte vide et bruitée et, guidé par les informations de ce qui s'est déjà passé, affine progressivement la carte pour en faire une prévision claire de ce qui va suivre.

Le chercheur a entraîné son modèle, QuakeGen, sur deux types de données différents pour voir comment il pouvait généraliser. Premièrement, il a utilisé un ensemble de données mondiales contenant des milliers de séismes principaux et de leurs répliques de partout dans le monde, s'étendant de 1990 à 2023. Il a enseigné au modèle à observer l'activité sismique dans les jours précédant un grand séisme et les premières heures de répliques immédiatement après. Sur la base de ces informations limitées, le modèle devait prédire le schéma des répliques pour les jours, les semaines ou même les mois suivants. Il a ensuite testé le modèle sur 80 séismes majeurs survenus en 2024 et 2025, que le modèle n'avait jamais vus auparavant. Lors de ces tests, QuakeGen a surpassé le modèle opérationnel standard utilisé par l'Institut Géologique des États-Unis (USGS). Alors que le modèle traditionnel produisait un large halo circulaire d'activité prédite, QuakeGen identifiait correctement les formes allongées et alignées sur la faille des zones de répliques. Par exemple, après un séisme de magnitude 7,5 au Japon, le nouveau modèle a reproduit l'étirement de 150 kilomètres de répliques le long de la faille, alors que l'ancien modèle étalait la prédiction dans un large cercle.

Le second test s'est concentré sur une région unique : le sud de la Californie. Ici, l'objectif n'était pas seulement de prédire les répliques d'un seul grand séisme, mais de prévoir le taux quotidien de séismes dans une zone étendue au fil du temps. Le chercheur a entraîné le modèle sur un catalogue hautement détaillé de la sismicité de la région, qui inclut de nombreux petits tremblements que les détecteurs standards manquent souvent. Il a ensuite demandé au modèle de prédire les comptes quotidiens de séismes pour des sous-régions spécifiques connues pour leur activité fréquente, telles que la mer de Salton et la faille de San Jacinto. Dans ce cadre, le modèle a égalé la performance des meilleurs modèles statistiques ajustés, qui ont été soigneusement calibrés pour cette zone spécifique. Cela est significatif car cela suggère qu'un modèle unique, fondé sur les données, peut apprendre le comportement complexe de tout un système de failles sans nécessiter de recalibrage manuel pour chaque nouvelle région.

L'un des aspects les plus frappants du nouveau modèle est la façon dont il gère l'incertitude. Parce que l'avenir d'une séquence de séisme est intrinsèquement imprévisible, le modèle ne produit pas une seule réponse unique. Au lieu de cela, il génère un ensemble de 100 futurs possibles pour chaque prévision. Chacune de ces 100 cartes est une réalisation valide de ce qui pourrait arriver, montrant des emplacements spécifiques différents pour les tremblements individuels. Lorsque le chercheur a fait la moyenne de ces 100 cartes, il a obtenu une image lisse du taux global d'activité, qui correspondait étroitement aux modèles réellement observés dans la nature. Cette approche permet aux prévisionnistes de voir non seulement le résultat le plus probable, mais aussi toute la gamme de possibilités, offrant une image plus claire de l'endroit où le risque est concentré.

L'étude a également exploré la capacité du modèle à prédire la taille du plus grand aftershock attendu dans une zone donnée. Les méthodes traditionnelles éprouvent souvent des difficultés avec cela, car elles reposent sur des moyennes statistiques qui peuvent être biaisées par des zones vides. QuakeGen, cependant, génère simultanément le décompte des tremblements et la taille du plus grand d'entre eux. En examinant le percentile 90 de ses prédictions, le modèle a pu concentrer la prévision des plus gros tremblements le long de la faille rompue, correspondant à l'observation réelle selon laquelle les plus gros aftershocks ont tendance à se produire là où la rupture principale a eu lieu. Cette prédiction conjointe de la fréquence et de la magnitude offre une vue plus complète et plus réaliste du danger.

Malgré ces succès, le chercheur reconnaît que le modèle a des limites. Il dépend fortement de la qualité et de la quantité des données sur lesquelles il est entraîné. Pour les séismes les plus importants, qui sont rares, le modèle sous-estime parfois le nombre total de répliques ou ne parvient pas à capturer l'étendue complète de la zone de rupture. C'est parce que le modèle a vu moins d'exemples de ces événements massifs durant son entraînement. L'auteur suggère que les améliorations futures pourraient provenir de la combinaison de cette approche basée sur les données avec des simulations basées sur la physique pour générer plus d'exemples de grands séismes, ou en alimentant le modèle avec des informations supplémentaires, telles que la géométrie exacte de la rupture de la faille ou les mesures de la déformation du sol.

Ce travail représente une avancée significative dans la manière dont les scientifiques abordent la prévision des séismes. En s'éloignant des règles fixes et des prédictions d'événements isolés, pour passer à l'apprentissage des motifs complexes et évolutifs des champs sismiques directement à partir des données, le chercheur a créé un outil qui capture la véritable nature des séquences sismiques. Le modèle ne se contente pas de deviner ; il apprend la structure sous-jacente du comportement des failles. Bien qu'il ne puisse pas prédire quand le prochain grand séisme frappera, il offre une vision beaucoup plus nette et précise de ce qui se passe après qu'un tel événement a eu lieu, aidant les communautés à comprendre la forme et l'ampleur des secousses qui suivent.