La capacità di prevedere l'evoluzione dei terremoti, in particolare quelli indotti in aree geotermiche, rappresenta una sfida cruciale nel campo della geofisica. Lo studio condotto dal gruppo di ricerca MODAL coordinato da Francesco Piccialli, docente di Informatica del Dipartimento di Matematica e Applicazioni "Renato Caccioppoli", in collaborazione con l'Istituto Nazionale di Geofisica e Vulcanologia (INGV) e l'Università degli studi di Salerno, ha portato alla progettazione e sviluppo di PreD-NET (Precursor Detection Network). Questa rete neurale profonda, attraverso un addestramento su vasti cataloghi sismici, dimostra una elevata capacità di predizione con un'accuratezza del 98%, segnando un passo avanti significativo nella riduzione del rischio sismico.

L'obiettivo dello studio è stato quello di sviluppare un modello di Intelligenza Artificiale affidabile e robusto per il monitoraggio e l'allerta precoce di eventi sismici in aree geotermiche, con un focus sulla minimizzazione dei falsi positivi e negativi.

Attraverso l'uso di metodologie avanzate di Deep Learning ed analisi multi-parametrica, PreD-Net è in grado di identificare i "precursori" di terremoti potenzialmente pericolosi, offrendo un sostegno cruciale per la pianificazione di interventi di mitigazione del rischio.

Questa ricerca, primo output tangibile del Progetto di Rilevanza Nazionale (PRIN) denominato D.I.R.E.C.T.I.O.N.S., combina competenze geofisiche, sismologiche e informatiche, ed apre nuove strade nella comprensione dei terremoti indotti offrendo strumenti concreti per la loro gestione, con implicazioni significative per la sicurezza delle aree geotermiche e l'industria energetica.

Lo studio, pubblicato sulla rivista Scientific Reports della collana Nature pone le basi per numerose applicazioni future, incluso il monitoraggio della sismicità naturale, e rappresenta un modello eccellente di collaborazione interdisciplinare nel campo della ricerca sismologica.