An der San-Andreas-Verwerfung in Kalifornien gleiten die Nordamerikanische und die Pazifische Platte aneinander vorbei. Ein Teil dieser Bewegung vollzieht sich lautlos: In sogenannten Slow-Slip-Ereignissen verschiebt sich das Gestein über Stunden hinweg, ohne spürbare Erschütterung. Solche Vorgänge bauen Spannung im Untergrund ab – doch weil ihre Signale extrem schwach sind, blieben sie der Wissenschaft bislang weitgehend verborgen.

Ein Team um Zahra Zali vom GFZ Helmholtz-Zentrum für Geoforschung in Potsdam hat diese stillen Bewegungen nun sichtbar gemacht. Gemeinsam mit Kollegen der Stanford University und der Forschungsinfrastruktur EarthScope entwickelten die Forschenden ein KI-Verfahren, das Dutzende kurze Slow-Slip-Ereignisse aus jahrelangen Messreihen herausfilterte. Die Studie erschien im Fachjournal „Nature Communications".

Ein Lernprogramm findet, was Messgeräte übersehen

Grundlage waren Daten von Bohrloch-Dehnungsmessern am Parkfield-Abschnitt der Verwerfung – einem der am dichtesten überwachten Erdbebengebiete der Welt. Diese hochempfindlichen Instrumente registrieren winzige Verformungen der Erdkruste, produzieren dabei aber riesige Datenmengen, in denen einzelne schwache Signale leicht untergehen.

Statt nach vordefinierten Mustern zu suchen, lernte das Programm direkt aus den kontinuierlichen Messdaten und gruppierte ähnliche Verformungsmuster. „Künstliche Intelligenz ermöglichte es uns, Muster zu erkennen, die sonst unbemerkt geblieben wären", erklärt Zali. So entstand der erste Katalog kurzer Slow-Slip-Ereignisse für Parkfield.

Auffällig war ein Zusammenhang: Auf die stillen Verschiebungen folgte systematisch eine erhöhte Aktivität sogenannter niederfrequenter Erdbeben. Damit liefert die Studie einen Beleg dafür, dass Slow-Slip-Prozesse den weiteren Verlauf seismischer Aktivität mitbestimmen – ein Baustein, der langfristig helfen könnte, das Verhalten großer Verwerfungen besser zu verstehen.

Für Regionen entlang solcher Plattengrenzen ist jedes zusätzliche Wissen über den verborgenen Teil des Erdbebenzyklus wertvoll. Die Methode zeigt zugleich, wie sich in Jahrzehnten gesammelte Messreihen mit lernenden Algorithmen neu auswerten lassen – und dabei Prozesse zutage fördern, die den bisherigen Instrumenten entgangen sind.