Earthquake aftershock forecasting with conditional generative models

Quando un terremoto massiccio colpisce la terra, il suolo non torna semplicemente al silenzio. Per ore, giorni e talvolta anni dopo, la crosta continua a sussultare, rilasciando migliaia di scosse minori note come scosse di assestamento. Queste seguono un ritmo prevedibile: avvengono con maggiore frequenza subito dopo l'evento principale e svaniscono gradualmente, mentre le loro posizioni tendono a raggrupparsi lungo la specifica linea di faglia che si è spezzata. Gli scienziati usano da tempo regole statistiche per ipotizzare dove e quando queste scosse di assestamento potrebbero verificarsi, trattando ogni tremore come un punto isolato in una vasta nuvola casuale. Questi metodi tradizionali funzionano bene in media, ma spesso non riescono a catturare i dettagli disordinati del mondo reale di come si sviluppa una specifica sequenza. Faticano a prevedere la forma esatta della zona di assestamento o quanti tremori produrrà una specifica sequenza, spesso appiattendo i modelli frastagliati e allineati alle faglie che definiscono il post-terremoto reale.

Un ricercatore dell'Università della California, Berkeley, ha sviluppato un nuovo modo per prevedere queste sequenze che va oltre la semplice statistica. Invece di cercare di prevedere i singoli tremori uno alla volta, ha addestrato un modello informatico per immaginare l'intero panorama futuro dell'attività sismica come un'unica immagine in evoluzione. Questo nuovo approccio, chiamato QuakeGen, impara da vasti set di dati storici sui terremoti per comprendere come le scosse di assestamento si diffondano nello spazio e nel tempo. Testato contro i metodi standard utilizzati dalle agenzie governative, questo nuovo modello si è dimostrato più accurato nel individuare dove le scosse di assestamento si concentrerebbero e come l'attività decada. Ha ricreato con successo le forme lunghe e strette delle zone di assestamento che seguono le vere linee di faglia, un dettaglio che i vecchi modelli spesso perdono, sostituendoli con vaghe ipotesi circolari.

L'idea centrale dietro questo lavoro è un cambio di prospettiva. La previsione tradizionale tratta una sequenza di terremoti come un elenco di eventi separati, utilizzando formule matematiche fisse per stimare quanti ne accadranno e dove. Queste formule assumono che le scosse di assestamento si diffondano uniformemente in tutte le direzioni dal terremoto principale, come increspature in uno stagno. Tuttavia, i veri terremoti non si comportano così. Le scosse di assestamento solitamente si allineano lungo la faglia fratturata, creando ammassi lunghi e allungati che riflettono la geometria della rottura nel sottosuolo. Il ricercatore ha compreso che cercare di prevedere ogni singolo evento individualmente limitava la capacità di vedere questo quadro più ampio. Invece, ha deciso di trattare la previsione come un campo, in modo simile a come i meteorologi mappano il tempo atmosferico. Voleva un modello capace di generare una mappa completa della futura attività sismica, mostrando sia il numero di tremori attesi che la dimensione del più grande in ogni piccola porzione di terreno.

Per costruire questo sistema, il ricercatore ha utilizzato un tipo di intelligenza artificiale nota come modello di diffusione. Questa tecnologia, che ha recentemente rivoluzionato campi come la previsione meteorologica e l'analisi della struttura proteica, funziona imparando a invertire un processo di aggiunta di rumore. Immaginate una fotografia nitida che viene lentamente coperta da interferenze finché non diventa puro granello senza senso. Un modello di diffusione impara come prendere quel granello e, passo dopo passo, rimuovere il rumore per rivelare l'immagine originale. In questo studio, l'"immagine" non è una fotografia, ma una mappa dell'attività sismica. Il modello parte da una mappa vuota e rumorosa e, guidato dalle informazioni su ciò che è già accaduto, la raffina gradualmente in una previsione chiara di ciò che accadrà dopo.

Il ricercatore ha addestrato il suo modello, QuakeGen, su due diversi tipi di dati per vedere quanto potesse generalizzare. In primo luogo, ha utilizzato un dataset globale contenente migliaia di eventi principali e le loro scosse di assestamento da tutto il mondo, spaziando dal 1990 al 2023. Ha insegnato al modello a osservare l'attività sismica nei giorni precedenti un grande terremoto e nelle prime ore di scosse di assestamento immediatamente successive. Sulla base di queste informazioni limitate, il modello doveva prevedere il pattern delle scosse di assestamento per i giorni, le settimane o persino i mesi successivi. Ha poi testato il modello su 80 grandi terremoti avvenuti nel 2024 e nel 2025, che il modello non aveva mai visto prima. In questi test, QuakeGen ha superato il modello operativo standard utilizzato dall'United States Geological Survey. Mentre il modello tradizionale produceva un ampio alone circolare di attività prevista, QuakeGen ha identificato correttamente le forme allungate e allineate alle faglie delle zone di assestamento. Ad esempio, dopo un terremoto di magnitudo 7.5 in Giappone, il nuovo modello ha riprodotto la sezione di 150 chilometri di scosse di assestamento lungo la faglia, mentre il vecchio modello ha disperso la previsione in un ampio cerchio.

Il secondo test si è concentrato su una singola regione: la California meridionale. Qui, l'obiettivo non era solo prevedere le scosse di assestamento di un singolo grande evento, ma prevedere il tasso giornaliero di terremoti in un'ampia area nel tempo. Il ricercatore ha addestrato il modello su un catalogo altamente dettagliato di sismicità nella regione, che include molti piccoli tremori che i rilevatori standard spesso perdono. Ha poi chiesto al modello di prevedere i conteggi giornalieri dei terremoti per specifiche sotto-regioni note per l'attività frequente, come il Salton Sea e la faglia di San Jacinto. In questo contesto, il modello ha eguagliato le prestazioni dei migliori modelli statistici calibrati, che sono stati accuratamente regolati per quella specifica area. Ciò è significativo perché suggerisce che un singolo modello basato sui dati può apprendere il comportamento complesso di un intero sistema di faglie senza la necessità di essere ricalibrato manualmente per ogni nuova regione.

Uno degli aspetti più sorprendenti del nuovo modello è come gestisce l'incertezza. Poiché il futuro di una sequenza di terremoti è intrinsecamente imprevedibile, il modello non produce una singola risposta. Inveve, genera un insieme di 100 possibili futuri per ogni previsione. Ognuna di queste 100 mappe è una realizzazione valida di ciò che potrebbe accadere, mostrando diverse posizioni specifiche per i singoli tremori. Quando il ricercatore ha mediato queste 100 mappe, ha ottenuto un'immagine fluida del tasso complessivo di attività, che corrispondeva strettamente ai pattern osservati nella natura. Questo approccio permette ai previsori di vedere non solo l'esito più probabile, ma l'intero intervallo di possibilità, fornendo un quadro più chiaro di dove si concentra il rischio.

Lo studio ha anche esplorato la capacità del modello di prevedere la dimensione della più grande scossa di assestamento prevista in una determinata area. I metodi tradizionali spesso faticano in questo, poiché si affidano a medie statistiche che possono essere influenzate da aree vuote. QuakeGen, tuttavia, genera simultaneamente il conteggio dei tremori e la dimensione del più grande tra essi. Osservando il 90° percentile delle sue previsioni, il modello è stato in grado di concentrare la previsione per i tremori più grandi lungo la faglia fratturata, corrispondendo all'osservazione del mondo reale secondo cui le scosse di assestamento più grandi tendono a verificarsi proprio dove è avvenuta la rottura principale. Questa previsione congiunta di frequenza e magnitudo offre una visione più completa e realistica del pericolo.

Nonostante questi successi, il ricercatore riconosce che il modello ha dei limiti. Esso dipende fortemente dalla qualità e dalla quantità dei dati su cui è addestrato. Per i terremoti più grandi, che sono rari, il modello a volte sottostima il numero totale di scosse di assestamento o non riesce a catturare l'intera estensione della zona di rottura. Ciò accade perché il modello ha visto meno esempi di questi eventi massicci durante il suo addestramento. L'autore suggerisce che i miglioramenti futuri potrebbero derivare dalla combinazione di questo approccio basato sui dati con simulazioni basate sulla fisica per generare più esempi di grandi terremoti, o dall'alimentare il modello con informazioni aggiuntive, come la geometria esatta della rottura della faglia o misurazioni della deformazione del terreno.

Il lavoro rappresenta un passo avanti significativo nel modo in cui gli scienziati affrontano la previsione dei terremoti. Allontanandosi da regole fisse e previsioni di eventi isolati, e muovendosi verso l'apprendimento dei complessi ed evolutivi pattern dei campi sismici direttamente dai dati, il ricercatore ha creato uno strumento che cattura la vera natura delle sequenze di terremoti. Il modello non si limita a indovinare; impara la struttura sottostante del comportamento delle faglie. Sebbene non possa prevedere quando colpirà il prossimo grande terremoto, offre una visione molto più nitida e accurata di ciò che accade dopo, aiutando le comunità a comprendere la forma e l'entità delle scosse che seguono.