Un team internazionale di ricercatori ha sviluppato un sistema di machine learning in grado di identificare automaticamente configurazioni nell'attività sismica associate a variazioni transitorie osservate prima di alcuni grandi terremoti. Lo studio, pubblicato su Nature Communications, include il contributo dell’Istituto Nazionale di Oceanografia e di Geofisica Sperimentale (OGS), dell’Università di Genova e di altre prestigiose università europee e statunitensi. L’approccio utilizzato è di tipo non supervisionato, il che significa che l’algoritmo individua autonomamente strutture e similarità nei dati senza istruzioni predefinite.

La ricerca ha analizzato cinque terremoti significativi avvenuti in diverse regioni del mondo: Turchia (2023), L’Aquila (2009), Iquique in Cile (2014), Amatrice (2016) e Noto in Giappone (2024). In alcuni di questi casi erano già stati osservati sciami sismici o aumenti di attività nei mesi precedenti il sisma principale. L’algoritmo ha confermato la presenza di schemi ricorrenti in quei casi, mentre non ha rilevato pattern simili dove la letteratura non aveva documentato segnali anomali.

I risultati non costituiscono un sistema di previsione sismica, che rimane impossibile con gli strumenti attuali, ma offrono un nuovo strumento per studiare l’evoluzione dei sistemi di faglia e i meccanismi fisici legati all’accumulo e al rilascio di energia. La capacità di analizzare grandi quantità di dati sismologici in modo automatico potrebbe portare allo sviluppo di modelli più sofisticati per comprendere i terremoti. Il ruolo crescente dell’intelligenza artificiale nelle scienze della Terra è uno dei punti chiave emersi dallo studio.