Los terremotos siguen siendo uno de los fenómenos más desconcertantes de la naturaleza. Durante décadas, científicos de todo el mundo han buscado señales previas —desde microfracturas hasta deslizamientos lentos— que permitan anticipar cuándo una falla está a punto de romperse. Sin embargo, esas pistas nunca han sido claras ni consistentes. En paralelo, la inteligencia artificial ha comenzado a mostrar que puede detectar patrones donde el ojo humano solo ve ruido.
Ahora, un estudio publicado en Nature Communications combina ambos mundos con un enfoque más ambicioso: un experimento de laboratorio a escala métrica que reproduce fallas más parecidas a las reales y permite observar fenómenos imposibles de ver bajo tierra. Es la primera vez que un modelo de IA anticipa con precisión rupturas tan grandes en un laboratorio.
Un problema que parecía imposible de resolver
Durante años, la predicción de terremotos se consideró prácticamente inalcanzable. Los sismólogos saben que las fallas pueden experimentar fases de deformación o microfracturas antes de un evento mayor, pero esas señales son difíciles de detectar y, además, no siempre anuncian una ruptura inminente.
El principal obstáculo ha sido que la mayoría de estos procesos ocurren a kilómetros de profundidad, donde ningún instrumento puede observarlos directamente. Por eso, los laboratorios se convirtieron en ventanas en miniatura para estudiar cómo se comporta una falla cuando está cerca del colapso.
Hasta ahora, muchos experimentos habían logrado reproducir “terremotos” de laboratorio a escalas centimétricas. En esos estudios, la inteligencia artificial ya había demostrado que era capaz de identificar cambios sutiles en emisiones acústicas —algo así como los pequeños crujidos de una roca a punto de romperse— y anticipar fallos. Sin embargo, estos modelos enfrentaban un desafío serio: una falla real es mucho más grande, más compleja y con comportamientos que cambian según su geometría y sus materiales. Entonces, si la IA podía “predecir” algo en un laboratorio pequeño, ¿por qué debería funcionar en un escenario más realista?
El nuevo trabajo aborda precisamente ese vacío. En lugar de muestras pequeñas, los investigadores utilizaron bloques de roca de metro y medio, con una superficie de falla heterogénea, zonas de daño y un comportamiento mucho más irregular. Esta escala permitió que aparecieran patrones de actividad sísmica más parecidos a los observados en fallas naturales, incluida la presencia de numerosos foreshocks y variaciones en el esfuerzo que no se habían podido estudiar de cerca.
Un laboratorio que imita mejor la Tierra
El experimento se realizó con dos bloques de metagabro empujados lentamente hasta que la falla interna se rompía, generando “terremotos” comparables a los de una falla real, pero comprimidos en segundos. El sistema producía ciclos de carga y ruptura acompañados de miles de pequeñas emisiones acústicas, una especie de catálogo sísmico en miniatura que reflejaba la actividad dentro de la roca. Cada una de esas señales representaba un pequeño evento: un microcrujido, un punto débil que cedía, un deslizamiento milimétrico.
A diferencia de trabajos previos, este experimento incluyó sensores distribuidos a lo largo de toda la muestra, lo que permitió captar el equivalente a foreshocks más complejos y distribuidos en distintos puntos de la falla.
Los investigadores clasificaron estos eventos y los transformaron en parámetros estadísticos que describen cómo evoluciona el sistema a lo largo del tiempo. El objetivo era encontrar patrones que, combinados, pudieran anticipar cuándo la falla estaba entrando en su fase final de inestabilidad.
Con toda esa información, el equipo entrenó un modelo de machine learning basado en Random Forests. El modelo no recibió datos del esfuerzo real sobre la falla ni información del estado físico interno: únicamente aprendió a leer la evolución de los eventos acústicos, sus intervalos y sus características. Aun así, logró predecir cuándo se producirían los grandes fallos con una precisión que sorprendió incluso a los investigadores.
La IA sí ve algo: señales mínimas que aumentan antes de la ruptura
El modelo detectó que, antes de cada ruptura, aparecía una combinación de señales muy sutiles pero consistentes: los intervalos entre los pequeños eventos se acortaban y su energía promedio aumentaba. Ese patrón —conocido como ley de Omori inversa y descenso del b-value— ya se había observado en algunos terremotos naturales, pero rara vez con la claridad suficiente como para usarse de forma predictiva. En este experimento, en cambio, estas señales eran lo suficientemente marcadas como para que la IA aprendiera a asociarlas con el inminente colapso.
Lo más llamativo es que las predicciones funcionaban tanto decenas de segundos antes de la ruptura como milisegundos antes del fallo, lo que equivale —si se traduce a escalas geológicas— a intervalos comparables a décadas o semanas en un terremoto real.
Esta capacidad de anticipar la ruptura en diferentes escalas temporales es uno de los avances más relevantes del estudio, porque demuestra que las señales precursivas aparecen desde mucho antes de que la falla se desestabilice por completo.
Sin embargo, el resultado más interesante no fue la precisión del modelo, sino lo que reveló sobre la física del proceso. Aunque la IA parecía predecir también la evolución del esfuerzo nominal de la falla, los investigadores descubrieron que ese esfuerzo no explicaba realmente el comportamiento previo al fallo. Lo que sí estaba cambiando —y de forma muy marcada— era la actividad en zonas que reptan lentamente dentro de la falla, los llamados parches velocity-strengthening.
El verdadero indicador no es el esfuerzo general: es lo que ocurre en las zonas que reptan
Para verificar qué estaba leyendo exactamente la IA, el equipo comparó las predicciones con simulaciones numéricas que reproducían de forma más detallada la física interna de la falla. En estos modelos, pudieron observar variables imposibles de medir en el laboratorio: el esfuerzo local en zonas que se deslizan lentamente, cómo interactúan con las rupturas pequeñas y cómo estas pueden encadenar un evento mayor.
Las zonas que reptan experimentan un aumento progresivo de esfuerzo justo antes del colapso, y ese cambio afecta directamente a la frecuencia y tamaño de los foreshocks. Esas variaciones locales no son visibles en el esfuerzo promedio, pero sí dejan huellas claras en la actividad sísmica. El modelo de IA, sin saberlo, estaba captando esas huellas y utilizándolas para anticipar el momento de la ruptura.
En los meses previos a un terremoto real, zonas similares pueden experimentar deslizamientos lentos o microfracturas que, en ocasiones, han sido detectados después de grandes sismos. Pero como ocurre en la naturaleza, estas señales suelen ser débiles y difíciles de interpretar. Este estudio sugiere que, si se captan con suficiente resolución, podrían aportar información valiosa sobre el estado interno de la falla, incluso cuando el esfuerzo general parece estable.
El equipo también probó versiones alternativas del modelo con distintos tipos de heterogeneidad y con rupturas parciales. Incluso cuando la falla no colapsaba por completo, la IA era capaz de identificar la aproximación al evento. Esto indica que, bajo ciertas condiciones, la actividad sísmica previa ofrece información suficiente para anticipar cambios importantes en el sistema.
Qué significa esto para el futuro de la predicción de terremotos
El hallazgo no implica que mañana vayamos a predecir terremotos naturales, pero sí abre una puerta importante. El estudio muestra que el machine learning puede detectar patrones precursivos en fallas complejas y en escalas que imitan mejor la realidad, algo que nunca se había demostrado con tanta claridad. Es un paso hacia una comprensión física más robusta de lo que ocurre en los instantes —o años— antes de un terremoto.
El resultado también aporta un marco conceptual: lo que importa no es monitorear solo el esfuerzo promedio de una falla, sino entender cómo se comportan sus zonas más activas o más propensas al deslizamiento lento. Este tipo de análisis podría volverse relevante a medida que se desarrollen sensores más sensibles y catálogos sísmicos más completos, capaces de registrar miles de señales que hoy pasan desapercibidas.
Aun así, persisten desafíos importantes. En la naturaleza, los foreshocks no siempre ocurren o pueden ser demasiado débiles para detectarse. Las fallas reales presentan geometrías complejas, fluidos que alteran la presión y múltiples segmentos que interactúan entre sí. Para acercarse a una aplicación práctica, la comunidad científica necesitará combinar modelos físicos, datos reales de alta resolución y técnicas de IA capaces de adaptarse a escenarios más caóticos.
Referencias
- Norisugi, R., Kaneko, Y. & Rouet-Leduc, B. Machine learning predicts meter-scale laboratory earthquakes. Nat Commun 16, 9593 (2025). doi: 10.1038/s41467-025-64542-4
