Aprender los movimientos del suelo por terremotos mediante modelado generativo condicional

Por qué importa el sacudimiento de futuros seísmos

Los terremotos son una parte inevitable de la vida en muchas regiones, desde el Área de la Bahía de San Francisco hasta Japón. Lo que realmente amenaza a las personas y a los edificios no es tanto el sismo en sí, sino el sacudimiento que produce en la superficie del terreno. Ingenieros y planificadores necesitan escenarios realistas de cuán intensamente podría moverse el suelo en muchos lugares, no solo donde ya hay sensores. Sin embargo, los métodos actuales o bien dependen de estadísticas simplificadas que pasan por alto detalles locales, o de simulaciones físicas complejas que requieren supercomputadoras y un conocimiento detallado del interior de la Tierra. Este estudio presenta un nuevo enfoque de inteligencia artificial (IA) que aprende del sacudimiento pasado para imaginar rápidamente cómo podrían agitarse futuras zonas durante terremotos.

Una nueva manera de imaginar el sacudimiento

Los investigadores presentan un modelo que llaman Modelado Generativo Condicional para Movimiento del Suelo (CGM-GM). En lugar de resolver directamente las ecuaciones de la física de ondas, CGM-GM aprende patrones a partir de miles de pequeños terremotos registrados alrededor de las fallas de Hayward y San Andreas en el Área de la Bahía de San Francisco. La idea clave es la generación “condicional”: a la IA se le proporciona información básica sobre un evento —su magnitud, profundidad y la ubicación del sismo y de los sensores en el mapa— y luego genera posibles series temporales de movimiento del suelo consistentes con esas condiciones. En efecto, el modelo actúa como un simulador inteligente que puede completar cómo podría ser el sacudimiento en ubicaciones y terremotos que jamás se han registrado.

Escuchar los seísmos en tiempo y color

Para enseñar a la IA, el equipo primero convierte cada señal de sacudimiento registrada en una especie de imagen en color llamada espectrograma, que muestra cómo cambia en el tiempo la intensidad de distintas frecuencias. Utilizan una herramienta conocida como Transformada de Fourier de Tiempo Corto para separar cada forma de onda en amplitud (qué tan fuerte) y fase (cuándo ocurren las características). Un tipo especial de red neuronal, un autoencoder variacional dinámico, aprende a comprimir estos espectrogramas de amplitud en una secuencia de variables latentes y luego a reconstruirlos. Un módulo complementario usa coordenadas geográficas y propiedades del terremoto para influir en esa secuencia latente, de modo que el modelo asocia naturalmente patrones de sacudimiento con por dónde viajan las ondas y cuán grande es el sismo. Durante la generación, el modelo dibuja nuevas secuencias latentes, reconstruye espectrogramas de amplitud, estima la fase y convierte todo de nuevo en formas de onda sintéticas.

Rellenar el mapa entre sensores dispersos

Una vez entrenado, CGM-GM puede recibir la pregunta: “Si ocurre un terremoto de un tamaño y ubicación dados, ¿qué sacudimiento podríamos ver en una malla densa de puntos?” Los autores prueban esto generando diez mil registros sintéticos sobre una subregión de la Bahía, y luego calculando espectros de amplitud de Fourier (una medida de la intensidad del sacudimiento en función de la frecuencia) en cada punto. Los mapas resultantes muestran variaciones suaves y realistas: el sacudimiento tiende a debilitarse con la distancia a la fuente, cambia según la dirección y se intensifica en áreas conocidas por tener suelos blandos, como cerca de San José y los fangos de la Bahía de San Francisco. Es importante que los patrones espaciales parezcan mucho más realistas que los de un modelo AI de referencia más simple que solo conoce distancia y profundidad, y se asemejan a los de un avanzado modelo empírico de movimiento del suelo no ergódico desarrollado por sismólogos.

Coincidir con datos reales en forma e intensidad

El equipo comprueba la salida de la IA frente a grabaciones reales de varias maneras. En el dominio de la frecuencia, los espectros de amplitud sintéticos concuerdan bien con las observaciones entre 2 y 15 hertz, el rango más importante para muchos edificios. En el dominio del tiempo, las formas de onda generadas reproducen no solo las morfologías generales, sino también las velocidades máximas del suelo y los tiempos de llegada de las ondas P y S, tal como los determina un algoritmo de detección independiente. El modelo también puede producir muchas versiones ligeramente distintas del sacudimiento para el mismo escenario, capturando la aleatoriedad natural de los terremotos. Hay limitaciones: las frecuencias muy bajas y muy altas son más difíciles de ajustar a la perfección, las duraciones del sacudimiento para los eventos más pequeños muestran mayor dispersión, y escalar a terremotos muy grandes sigue siendo un desafío sin datos de entrenamiento adicionales.

Qué significa esto para personas y edificios

Para quienes no son especialistas, la conclusión es que este marco de IA puede generar rápidamente escenarios realistas y con conciencia física del sacudimiento por terremotos en una región urbana entera, incluso donde no hay sensores instalados y sin ejecutar costosas simulaciones en supercomputadoras. CGM-GM no sustituye a los modelos físicos detallados ni a las ecuaciones empíricas cuidadosamente calibradas, pero rinde de forma comparable a métodos de vanguardia siendo flexible y rápido. Con un mayor perfeccionamiento y más datos, dichos modelos generativos podrían convertirse en herramientas prácticas para explorar terremotos hipotéticos, mejorar mapas de peligro y ayudar a ingenieros a diseñar edificios e infraestructura mejor preparados para el próximo gran temblor.

Cita: Ren, P., Nakata, R., Lacour, M. et al. Learning earthquake ground motions via conditional generative modeling. Nat Commun 17, 4021 (2026). https://doi.org/10.1038/s41467-026-70719-2

Palabras clave: movimiento del suelo por terremotos, IA generativa, peligro sísmico, Área de la Bahía de San Francisco, autoencoder variacional