Earthquake aftershock forecasting with conditional generative models

जब एक विशाल भूकंप आता है, तो ज़मीन केवल शांत नहीं हो जाती। घंटों, दिनों और कभी-कभी वर्षों तक, भूपर्पटी (crust) थरथराती रहती है, जिससे हज़ारों छोटे झटके निकलते हैं जिन्हें आफ्टरशॉक्स (aftershocks) कहा जाता है। ये एक अनुमानित लय का पालन करते हैं: ये मुख्य घटना के तुरंत बाद सबसे अधिक बार होते हैं और धीरे-धीरे कम होते जाते हैं, जबकि इनका स्थान उस विशिष्ट फॉल्ट लाइन (fault line) के साथ केंद्रित होता है जो टूटी थी। वैज्ञानिक लंबे समय से सांख्यिकीय नियमों का उपयोग करके यह अनुमान लगाते रहे हैं कि ये आफ्टरशॉक्स कहाँ और कब हो सकते हैं, और प्रत्येक झटके को एक विशाल, यादृच्छिक बादल में एक अलग बिंदु के रूप में देखते हैं। ये पारंपरिक तरीके औसतन तो अच्छा काम करते हैं, लेकिन वे अक्सर इस बात के वास्तविक, जटिल विवरणों को पकड़ने में विफल रहते हैं कि एक विशिष्ट अनुक्रम कैसे विकसित होता है। वे आफ्टरशॉक ज़ोन के सटीक आकार या किसी विशिष्ट अनुक्रम में कितने झटके आएंगे, इसका अनुमान लगाने में संघर्ष करते हैं, और अक्सर उन नुकीले, फॉल्ट-संरेखित पैटर्न को मिटा देते हैं जो एक वास्तविक भूकंप के बाद के प्रभाव को परिभाषित करते हैं।

कैलिफोर्निया विश्वविद्यालय, बर्कले के एक शोधकर्ता ने इन अनुक्रमों के पूर्वानुमान के लिए एक नया तरीका विकसित किया है जो सरल सांख्यिकी से आगे बढ़ता है। व्यक्तिगत झटकों की एक-एक करके भविष्यवाणी करने के बजाय, उन्होंने एक कंप्यूटर मॉडल को प्रशिक्षित किया है जो भूकंपीय गतिविधि के पूरे भविष्य के परिदृश्य को एक एकल, विकसित होती तस्वीर के रूप में देखता है। यह नया दृष्टिकोण, जिसे 'क्वेकजेन' (QuakeGen) कहा जाता है, ऐतिहासिक भूकंप डेटा की विशाल मात्रा से सीखता है कि आफ्टरशॉक्स स्थान और समय में कैसे फैलते हैं। सरकारी एजेंसियों द्वारा उपयोग किए जाने वाले मानक तरीकों के विरुद्ध परीक्षण किए जाने पर, यह नया मॉडल यह सटीक रूप से बताने में अधिक सक्षम पाया गया कि आफ्टरशॉक्स कहाँ केंद्रित होंगे और उनकी तीव्रता कैसे कम होगी। इसने आफ्टरशॉक ज़ोन के लंबे, संकीर्ण आकारों को सफलतापूर्वक पुन: निर्मित किया जो वास्तविक फॉल्ट लाइनों का अनुसरण करते हैं, एक ऐसा विवरण जिसे पुराने मॉडल अक्सर चूक जाते हैं और उनकी जगह अस्पष्ट, गोलाकार अनुमान प्रस्तुत करते हैं।

इस कार्य के पीछे का मूल विचार दृष्टिकोण में बदलाव है। पारंपरिक पूर्वानुमान भूकंपीय अनुक्रम को अलग-अलग घटनाओं की एक सूची के रूप में मानता है, जिसमें यह अनुमान लगाने के लिए निश्चित गणितीय सूत्रों का उपयोग किया जाता है कि कितने झटके आएंगे और कहाँ। ये सूत्र यह मान लेते हैं कि आफ्टरशॉक्स मुख्य झटके से सभी दिशाओं में समान रूप से फैलते हैं, जैसे तालाब में लहरें। हालाँकि, वास्तविक भूकंप इस तरह व्यवहार नहीं करते हैं। आफ्टरशॉक्स आमतौर पर टूटे हुए फॉल्ट के साथ संरेखित होते हैं, जिससे लंबे, खिंचे हुए क्लस्टर बनते हैं जो ज़मीन के नीचे टूटन की ज्यामिति को दर्शाते हैं। शोधकर्ता ने महसूस किया कि प्रत्येक व्यक्तिगत घटना की भविष्यवाणी करने की कोशिश करना उनके व्यापक चित्र को देखने की क्षमता को सीमित कर रहा था। इसके बजाय, उन्होंने पूर्वानुमान को एक 'फील्ड' (field) के रूप में मानने का निर्णय लिया, ठीक वैसे ही जैसे मौसम विज्ञानी मौसम का मानचित्रण करते हैं। वे एक ऐसा मॉडल चाहते थे जो भविष्य की भूकंपीय गतिविधि का एक पूर्ण मानचित्र बना सके, जो हर छोटे क्षेत्र में अपेक्षित झटकों की संख्या और सबसे बड़े झटके के आकार, दोनों को दिखा सके।

इस प्रणाली को बनाने के लिए, शोधकर्ता ने आर्टिफिशियल इंटेलिजेंस के एक प्रकार का उपयोग किया जिसे 'डिफ्यूजन मॉडल' (diffusion model) कहा जाता है। यह तकनीक, जिसने हाल ही में मौसम के पूर्वानुमान और प्रोटीन संरचना विश्लेषण जैसे क्षेत्रों में क्रांति ला दी है, शोर (noise) जोड़ने की प्रक्रिया को उलटने (reverse) को सीखकर काम करती है। कल्पना कीजिए कि एक स्पष्ट तस्वीर को धीरे-धीरे स्टैटिक (static) से ढक दिया जाता है जब तक कि वह शुद्ध, अर्थहीन कणों में न बदल जाए। एक डिफ्यूजन मॉडल यह सीखता है कि उस कण से धीरे-धीरे शोर को कैसे हटाया जाए ताकि मूल छवि प्रकट हो सके। इस अध्ययन में, "छवि" एक फोटोग्राफ नहीं बल्कि भूकंपीय गतिविधि का एक मानचित्र है। मॉडल एक खाली, शोर वाले मानचित्र से शुरू होता है और, पहले से जो हो चुका है उसकी जानकारी से निर्देशित होकर, धीरे-धीरे इसे अगले होने वाले घटनाक्रम के स्पष्ट पूर्वानुमान में परिष्कृत करता है।

शोधकर्ता ने अपने मॉडल, 'क्वेकजेन' को दो अलग-अलग प्रकार के डेटा पर प्रशिक्षित किया ताकि यह देखा जा सके कि यह कितनी अच्छी तरह सामान्यीकरण (generalize) कर सकता है। सबसे पहले, उन्होंने 1990 से 2023 तक दुनिया भर के हज़ारों मुख्य झटकों और उनके आफ्टरशॉक्स वाले वैश्विक डेटासेट का उपयोग किया। उन्होंने मॉडल को एक बड़ी भूकंपीय घटना से पहले के दिनों और उसके तुरंत बाद के कुछ घंटों की आफ्टरशॉक्स गतिविधि को देखना सिखाया। इस सीमित जानकारी के आधार पर, मॉडल को अगले कुछ दिनों, हफ्तों या महीनों के लिए आफ्टरशॉक्स के पैटर्न की भविष्यवाणी करनी थी। फिर उन्होंने मॉडल का परीक्षण 2024 और 2025 में हुई 80 प्रमुख भूकंपों पर किया, जिन्हें मॉडल ने पहले कभी नहीं देखा था। इन परीक्षणों में, क्वाकजेन ने संयुक्त राज्य भूवैज्ञानिक सर्वेक्षण (USGS) द्वारा उपयोग किए जाने वाले मानक परिचालन मॉडल से बेहतर प्रदर्शन किया। जहाँ पारंपरिक मॉडल गतिविधि का एक विस्तृत, गोलाकार प्रभामंडल (halo) बनाता था, वहीं क्वाकजेन ने आफ्टरशॉक ज़ोन के लंबे, फॉल्ट-संरेखित आकारों को सही ढंग से पहचाना। उदाहरण के लिए, जापान में 7.5 तीव्रता के भूकंप के बाद, नए मॉडल ने फॉल्ट के साथ 150 किलोमीटर लंबे आफ्टरशॉक्स के विस्तार को पुन: निर्मित किया, जबकि पुराने मॉडल ने भविष्यवाणी को एक विस्तृत घेरे में फैला दिया था।

दूसरे परीक्षण में एक विशिष्ट क्षेत्र पर ध्यान केंद्रित किया गया: दक्षिणी कैलिफोर्निया। यहाँ लक्ष्य केवल एक बड़े भूकंप के आफ्टरशॉक्स की भविष्यवाणी करना नहीं था, बल्कि एक बड़े क्षेत्र में समय के साथ भूकंपों की दैनिक दर का पूर्वानुमान लगाना था। शोधकर्ता ने इस क्षेत्र के भूकंपीय डेटा के एक अत्यंत विस्तृत कैटलॉग पर मॉडल को प्रशिक्षित किया, जिसमें कई छोटे झटके भी शामिल हैं जिन्हें मानक डिटेक्टर अक्सर मिस कर देते हैं। इसके बाद उन्होंने मॉडल से अत्यधिक सक्रिय उप-क्षेत्रों, जैसे साल्टन सी (Salton Sea) और सैन जैसिंटो फॉल्ट (San Jacinto fault) के लिए दैनिक भूकंप गणना की भविष्यवाणी करने को कहा। इस सेटिंग में, मॉडल ने उन सर्वश्रेष्ठ-ट्यून किए गए सांख्यिकीय मॉडलों के प्रदर्शन का मुकाबला किया जिन्हें विशेष रूप से उस क्षेत्र के लिए समायोजित किया गया था। यह महत्वपूर्ण है क्योंकि यह सुझाव देता है कि एक एकल, डेटा-संचालित मॉडल बिना किसी मैन्युअल पुन: अंशांकन (re-calibration) के एक संपूर्ण फॉल्ट सिस्टम के जटिल व्यवहार को सीख सकता है।

इस नए मॉडल के सबसे आश्चर्यजनक पहलुओं में से एक यह है कि यह अनिश्चितता को कैसे संभालता है। क्योंकि भूकंप अनुक्रम का भविष्य स्वाभाविक रूप से अनिश्चित है, मॉडल केवल एक एकल उत्तर नहीं देता है। इसके बजाय, यह प्रत्येक पूर्वानुमान के लिए 100 अलग-अलग संभावित भविष्य के 'एन्सेम्बल' (ensemble) उत्पन्न करता है। इन 100 मानचित्रों में से प्रत्येक एक वैध वास्तविकता है, जो व्यक्तिगत झटकों के विभिन्न स्थानों को दर्शाती है। जब शोधकर्ता ने इन 100 मानचित्रों का औसत निकाला, तो उन्हें गतिविधि की समग्र दर की एक सुचारू तस्वीर मिली, जो प्रकृति में देखे गए वास्तविक पैटर्न से काफी मेल खाती थी। यह दृष्टिकोण पूर्वानुमानकर्ताओं को न केवल सबसे संभावित परिणाम, बल्कि संभावनाओं की पूरी श्रृंखला देखने की अनुमति देता है, जिससे जोखिम कहाँ केंद्रित है, इसकी स्पष्ट तस्वीर मिलती है।

अध्ययन ने किसी भी क्षेत्र में सबसे बड़े अपेक्षित आफ्टरशॉक के आकार की भविष्यवाणी करने की मॉडल की क्षमता का भी पता लगाया। पारंपरिक तरीके अक्सर इसमें संघर्ष करते हैं, क्योंकि वे सांख्यिकीय औसत पर निर्भर करते हैं जो खाली क्षेत्रों के कारण प्रभावित हो सकते हैं। हालाँकि, क्वाकजेन झटकों की संख्या और सबसे बड़े झटके के आकार, दोनों को एक साथ उत्पन्न करता है। अपने भविष्यवाणियों के 90वें पर्सेंटाइल (percentile) को देखकर, मॉडल बड़े झटकों के पूर्वानुमान को टूटे हुए फॉल्ट के साथ केंद्रित करने में सक्षम रहा, जो इस वास्तविक अवलोकन से मेल खाता है कि सबसे बड़े आफ्टरशॉक्स वहीं होते हैं जहाँ मुख्य टूटन हुई थी। आवृत्ति और परिमाण का यह संयुक्त पूर्वानुमान, खतरे का अधिक पूर्ण और यथार्थवादी दृश्य प्रदान करता है।

इन सफलताओं के बावजूद, शोधकर्ता स्वीकार करते हैं कि मॉडल की सीमाएँ हैं। यह पूरी तरह से उस डेटा की गुणवत्ता और मात्रा पर निर्भर करता है जिस पर इसे प्रशिक्षित किया गया है। बहुत बड़े भूकंपों के लिए, जो दुर्लभ हैं, मॉडल कभी-कभी आफ्टरशॉक्स की कुल संख्या को कम आंकता है या टूटन क्षेत्र के पूर्ण विस्तार को पकड़ने में विफल रहता है। ऐसा इसलिए है क्योंकि मॉडल ने अपने प्रशिक्षण के दौरान इन विशाल घटनाओं के कम उदाहरण देखे हैं। लेखक का सुझाव है कि भविष्य के सुधारों में इस डेटा-संचालित दृष्टिकोण को भौतिकी-आधारित सिमुलेशन (physics-based simulations) के साथ जोड़ना शामिल हो सकता है ताकि महान भूकंपों के अधिक उदाहरण उत्पन्न किए जा सकें, या मॉडल को अतिरिक्त जानकारी दी जा सकती है, जैसे कि फॉल्ट रप्चर की सटीक ज्यामिति या ग्राउंड विरूपण (ground deformation) के माप।

यह कार्य भूकंप पूर्वानुमान के प्रति वैज्ञानिकों के दृष्टिकोण में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। निश्चित नियमों और अलग-थलग घटनाओं की भविष्यवाणियों से हटकर, और सीधे डेटा से भूकंपीय क्षेत्रों के जटिल, विकसित होते पैटर्न को सीखने की ओर बढ़ते हुए, शोधकर्ता ने एक ऐसा उपकरण बनाया है जो भूकंप अनुक्रमों की वास्तविक प्रकृति को पकड़ता है। यह मॉडल केवल अनुमान नहीं लगाता; यह सीखता है कि फॉल्ट कैसे व्यवहार करते हैं। हालाँकि यह भविष्यवाणी नहीं कर सकता कि अगला बड़ा भूकंप कब आएगा, लेकिन यह एक बार भूकंप आने के बाद क्या होता है, उसका बहुत सटीक और स्पष्ट दृश्य प्रदान करता है, जिससे समुदायों को उसके बाद होने वाली थरथराहट के आकार और विस्तार को समझने में मदद मिलती है।