화롄 지진은 20초 전에 보고되었습니다. 지진을 정확하게 예측하는 것은 멀지 않은 일인가요?

딥 러닝, 신경망과 같은 머신 러닝 기술을 사용하여 지진 문제를 분석하고 연구하면 사람이 볼 수 없는 일부 데이터의 가치를 밝혀낼 수 있습니다. 여진이나 미소지진 등의 예측 정확도를 높입니다.

4월 18일 13시 1분, 대만 화롄에서 규모 6.7의 지진이 갑자기 발생했습니다. 이번 지진은 대만에서 지난 20년 동안 발생한 가장 큰 지진이었으며, 대만 해협 근처의 여러 지역에서 진동이 느껴졌습니다. 다행히도 이 지진으로 인한 사고 부상자는 몇 명뿐이었습니다.

언론 보도에 따르면, 신베이시는 지진이 느껴지기 20초 전에 경고 메시지를 받았다고 합니다. 당시 신베이시 전 "시장" 주리룬은 인터뷰를 받고 있었으며, 인터뷰 영상에는 그가 경고를 받는 장면도 녹화되어 있습니다.

영상에서 미리 수신된 메시지를 지진 경보라고 합니다. 지진이 발생한 후 진원지로부터 멀리 떨어진 지역에 경보를 보내는 것을 말하며, 보통 수십 초 전에 경보를 보냅니다. 이 기술은 성숙 단계에 이르긴 했지만 지진대의 가장자리 지역에만 도움이 될 수 있고, 진앙지 지역은 운명에 맡길 수밖에 없습니다.

지진 조기 경보와 달리 지진 예측은 지진이 발생하기 전에 지진의 시간, 위치, 규모를 정확하게 예측하여 대응책을 미리 마련할 수 있는 능력입니다. 그러나 지진의 원인은 복잡하고 데이터도 부족하기 때문에 오늘날까지도 지진을 정확하게 예측하는 것은 불가능합니다.

그러나 지진 예측 문제가 아직 해결되지는 않았지만, 최근 들어 과학자들은 딥러닝, 신경망 등의 머신러닝 기술을 활용해 지진 문제를 분석하고 연구하기 시작했고, 여진이나 미소지진 등의 예보에서 양호한 예측 성과를 거두고 있다는 점은 고무적입니다.

하버드와 구글, 머신러닝 활용해 여진 예측 위해 협력

지진은 고립된 사건이 아니다. "본격적인 충격"(일반적으로 헤드라인을 장식할 만한 사건) 뒤에는 일련의 "여진"이 이어지는 경우가 많습니다. 여진은 여러 번 발생하며, 큰 여진은 심각한 반복적 부상을 초래할 수 있습니다. 대표적인 사례가 5월 12일에 발생한 원촨 지진으로, 이후 수만 건의 여진이 발생하여 구조 활동에 큰 위협이 되었습니다.

따라서 여진을 감지하는 것도 지진 예측의 중요한 부분이다. 기존 방법에는 여진의 발생 시간과 규모를 판단하는 데 몇 가지 경험적 규칙과 방법이 있지만, 위치를 정확하게 예측하는 것은 일반적으로 어렵고 운영에 복잡한 절차가 필요합니다.

하버드 대학은 구글의 머신 러닝 전문가들과 협력하여 딥 러닝을 사용하여 여진이 발생할 위치를 예측하려고 시도하고 있습니다. 이들의 연구는 획기적인 진전을 이루었고, 최종 결과는 2018년 8월 Nature에 게재되었습니다.

이들의 데이터베이스에는 전 세계에서 발생한 199건 이상의 대지진에 대한 정보가 포함되어 있습니다. 그들은 이 데이터베이스를 기반으로 신경망 모델을 적용하여 주로 본진과 여진 위치에 따른 정적 응력 변화 간의 관계를 분석했습니다. 알고리즘은 데이터 정보로부터 유용한 패턴을 식별할 수 있습니다.

그들은 결국 최적의 여진 위치 예측 모델을 얻었습니다. 아직은 시스템을 개선할 부분이 많지만, 이는 이 방향으로 한 걸음 나아간 것을 의미합니다.

이 연구는 예상치 못한 이점도 가져왔습니다. 지진에 관련된 물리적 양을 식별하는 데 도움이 되었는데, 이는 지진 연구에 매우 중요합니다. 신경망을 데이터 세트에 적용하면 예측을 단순히 숫자 값으로 보는 것이 아니라, 예측에 중요한 요소의 특정 조합에 대한 통찰력을 얻을 수 있습니다.

팀원 중 한 명인 미드는 이렇게 설명한 적이 있습니다. "전통적인 지진학자들은 병리학자에 가깝습니다. 그들은 대재앙적인 지진 발생 후 어떤 일이 일어나는지 연구합니다. 하지만 우리는 그런 일을 하고 싶지 않습니다. 우리는 역학자가 되고 싶습니다. 이러한 사건의 원인과 계기를 이해하고 싶습니다."

미래에는 머신러닝을 통해 지진의 미스터리를 밝혀내고 지진으로 인한 피해를 줄일 수 있을 것으로 기대됩니다.

55만 개의 샘플로 지진 예측 학습

하버드대와 구글이 제안한 AI 모델을 바탕으로 스탠포드대 연구진도 미소지진을 감지하고 예측하는 데 중점을 둔 인공지능 모델을 만들어 최종적으로 높은 정확도를 달성했습니다.

미소지진 또는 저강도 지진은 순간 규모가 2.0 이하인 지진입니다. 이러한 지진은 파괴력이 낮지만 배경 소음, 소규모 사건 및 오경보 등의 요소로 인해 지진 모니터링 시스템에서 간과되는 경우가 있습니다.

스탠포드 대학이 개발한 AI 모델인 CNN-RNN 지진 감지기(CRED)는 지속적으로 기록된 과거 데이터를 통해 미소지진에 대한 정보를 정확하게 감지할 수 있습니다.

이 시스템은 두 가지 유형의 신경망 계층으로 구성됩니다.합성곱 신경망(CNN)과 순환 신경망(RNN). CNN은 지진 센서에서 특징을 추출하는 반면, RNN은 메모리와 입력 데이터를 결합하여 예측의 정확도를 높이고 지진계와 유사한 시퀀스 특성을 학습할 수 있습니다.

이 두 가지는 다음을 구성합니다.잔여 학습 프레임워크,이는 다층 신경망에서 발생할 수 있는 과잉적합과 같은 문제를 완화하기 위해 수행됩니다. 이런 방식으로 신경망은 데이터 세트에서 더욱 자세한 특징을 학습하는 동시에 정확도를 유지할 수 있습니다. 또한 최적화하기도 더 쉬워질 것입니다.

지진 감지 AI 시스템을 훈련하고 검증하기 위해 연구진은 2011년 아칸소주 가이-그린브라이어에서 3,788건의 지진 발생 데이터를 연속적으로 기록하여 수집했습니다. 또한 북부 캘리포니아의 889개 모니터링 스테이션에서 수집한 30초 지진 지도 550,000개(지진 발생 지표 3개 포함)도 수집했습니다.

550,000개의 데이터 중 50,000개의 샘플을 사용하여 성능을 평가합니다. 결과적으로 지진의 규모에 관계없이, 지역적으로 발생했는지 또는 강한 배경 소음이 있는지 여부에 관계없이 네트워크 모델은 지진 신호를 정확하게 식별할 수 있습니다. 더욱이 AI는 지진을 감지하기 위해 일부 기록만 필요합니다.

컴퓨터로 훈련하는 데 약 1시간이 걸린 이 모델은 Guy-Greenbrier 데이터세트에서 연속 데이터를 입력받아 수압파쇄, 폐수 주입, 지각판 이동으로 인해 발생한 1,102건의 미소지진과 대규모 지진을 감지했는데, 이 중 77건은 이전에 기록된 적이 없는 지진이었습니다.

보고서는 모든 테스트에서 학습 모델이 널리 배치된 두 개의 지진 시스템보다 "뛰어난" 성능을 보였다고 언급했습니다. 컴퓨터 모델은 사람이 볼 수 없는 일부 데이터의 가치를 분석할 수 있기 때문입니다.

또한,모델의 확장성도 개선되었습니다.."모델이 훈련되면 실시간으로 지진 데이터 스트림에 적용할 수 있습니다."라고 그들은 썼습니다. "지진 신호는 스펙트럼 구조에 기반하여 고해상도와 매우 낮은 오탐지율로 모델링됩니다."

연구팀은 머신 러닝 모델을 여러 센서로 쉽게 확장하여 지각 활동이 활발한 지역을 실시간으로 모니터링하고 조기 지진 경보 시스템의 기반을 마련할 수 있을 것으로 보고 있습니다.

만약 작은 지진에 대한 판단이 충분히 정확하다면, 이 예측 모델을 대규모 지진 예측에 활용하는 것은 매우 중요해질 것입니다.

미래에는 지진 예측이 가능할 수도 있다

머신 러닝 기술은 과거 지진에 대한 시뮬레이션 기록을 보관하는 데 광범위하게 활용될 수 있습니다. 이러한 데이터를 기록하는 매체가 저하됨에 따라 지진학자들은 이 귀중한 정보를 보존하기 위해 시간과의 경쟁을 벌이고 있습니다.

일부 연구자들은 지진 데이터를 걸러내어 지진 여진과 화산 지진을 더 잘 식별하고 거대한 지진이 발생할 수 있는 판 경계에서 변형을 알리는 진동의 전조 현상을 모니터링하기 위해 기계 학습 알고리즘을 사용하고 있습니다.

다른 연구자들은 기계 학습 기술을 사용하여 지진의 근원을 찾고 주변 환경에서 발생하는 다른 지진 "소음"과 소규모 지진을 구별하고 있습니다.

오랫동안 일부 학자들은 지진을 완벽하게 예측하는 것은 불가능하다고 믿었습니다. 하지만 최근의 연구 결과를 보면 지진을 예측하는 것이 더 이상 '불가능'하지는 않은 것 같습니다. 가까운 미래에 여진과 미소지진을 정확하게 예측함으로써 대규모 지진을 예측하는 문제를 극복할 수 있을 것입니다.

자연재해는 통제 불가능합니다. 우리는 현대 기술의 힘을 사용하여 자연재해로 인해 누구에게도 피해가 발생하는 것을 막을 수 있기를 바랄 뿐입니다.

머신 러닝 기반 예측을 통해 비상 서비스를 배치하고 여진 위험이 있는 지역에 대한 대피 계획을 제공하는 날이 오기를 기대해 보세요.