Российские исследователи представили систему искусственного интеллекта POSEIDON (Physics-Optimized Seismic Energy Inference and Detection Operating Network), предназначенную для прогнозирования последствий землетрясений. Ключевой особенностью разработки стало интеграция алгоритмов глубокого машинного обучения с фундаментальными физическими законами, описывающими сейсмические процессы. В отличие от традиционных подходов, где физика используется лишь для проверки готовых результатов, в POSEIDON физические принципы встроены непосредственно в архитектуру нейронной сети.

Руководитель проекта Борис Крюк отметил, что система была создана с целью построения модели, которая обучается внутри установленных физических закономерностей, а не игнорирует накопленный научный опыт. В основу легли известные законы сейсмологии, такие как закон Гутенберга—Рихтера (соотношение магнитуды и частоты землетрясений) и закон Омори—Уцу (затухание активности афтершоков). Эти закономерности представлены в виде обучаемых параметров, которые нейросеть оптимизирует на реальных данных.

POSEIDON решает три взаимосвязанные задачи одновременно: прогнозирование цепочек афтершоков после основного толчка, оценку риска возникновения цунами и идентификацию форшоков, которые могут быть предвестниками более сильных землетрясений. Такой комплексный подход позволил повысить точность прогнозов по всем направлениям за счёт учёта взаимосвязей между разными проявлениями сейсмической активности.

Для обучения системы был создан уникальный набор данных, содержащий информацию о 2,8 миллиона землетрясений по всему миру за последние 30 лет. Каждое событие описывается десятками параметров: магнитуда, глубина, координаты, временные и энергетические характеристики, а также пространственно-временной контекст. Этот массив данных был специально подготовлен для машинного обучения и впоследствии опубликован в открытом доступе.

По результатам тестирования система продемонстрировала показатели, соответствующие мировому уровню и превосходящие традиционные методы, включая градиентный бустинг и классические сверточные нейросети. Особенно высокая точность достигнута в задаче оценки цунами-риска: при доле соответствующих событий в данных около 1,14 процента модель показала значение AUC (площадь под ROC-кривой) 0,971.

Важным результатом, по словам разработчиков, стала научная осмысленность параметров, к которым сошлась модель в процессе обучения. Полученные значения, такие как b-параметр закона Гутенберга—Рихтера (0,752) и параметры закона Омори—Уцу (p = 0,835, c = 0,1948 дня), находятся в пределах, признанных научным сообществом. Это свидетельствует о том, что система не просто «угадывает» ответы, а выявляет реальные физические закономерности.

В ближайших планах команды — интеграция данных в реальном времени, включая прямой анализ сейсмических волн, переход к непрерывному вероятностному прогнозированию и изучение возможности учёта физики переноса напряжений в земной коре для расширения горизонта прогнозов.