在大地震发生后的几个星期至几个月内，周围地区经常会遭受强大余震的破坏，这些余震可能使已经遭受破坏的社区瘫痪，并严重阻碍灾后恢复工作。虽然科学家们已经发现了一些经验性规律，如Bth定律和Ohmori定律，并利用其来描述余震的可能大小和时间，但预测其位置的方法仍难以掌握。

在谷歌研究人员的建议下，美国哈佛大学地球与行星科学系的Brendan Meade教授及在其实验室工作的博士后Phoebe DeVries尝试利用人工智能（AI）技术来解决这一问题。他们使用深度学习算法，比对分析了来自世界各地的地震数据所形成的数据集，试图预测余震可能发生的位置，并开发出了一个系统。虽然该系统仍然不够精确，但能够比随机分配更好地预测余震。该研究于2018年8月30日发表在Nature上。

研究者首先获取了至少199次大地震后的观测数据。在5级或更大地震发生后，人们会花费大量时间来研究断层的哪一部分发生了移动，移动了多少。许多研究可能会使用一两次地震的观测结果，但该研究使用了整个数据库。在主震引起的应力和应变可能是引发余震的原因这一基本认识下，研究者将数据库与基于物理的模型（震后地球的压力和应变状态）相结合。

之后，研究者将区域分成5 kmx5 km的网格。在每个网格中，利用所开发系统检查是否存在余震，并利用神经网络寻找余震发生位置与主震所产生应力之间的相关性。这一问题的关键在于哪些因素的组合更具有可预测性。研究者所开发系统证实偏应力张量的第二不变量（简称J2）具有更好的可预测性，这颠覆了传统的主要理论。J2在冶金学和其他理论中经常被使用，在地震学中罕见。但是，Meade表示，这也说明神经网络没有发现一些疯狂的东西，它发现了一些高度可解释的东西，识别出了应该关注的物理特性。

DeVries表示，这种可解释性至关重要，因为人工智能系统长期以来被许多科学家视为黑盒子--能够根据一些数据产生答案。然而，采用高度复杂的现实世界数据来应对这一挑战将是一项艰巨的任务，因此，要求系统对综合的、高度理想化的地震进行预测，然后进行检查。通过在空间上对比神经网络的输出，研究者发现J2在预测中似乎更为重要。

Meade称，由于神经网络使用来自全球的地震和余震数据进行训练，因此产生的系统适用于许多不同类型的断层。世界不同地区的断层有不同的几何形状，但是这个系统可以让人类在一个地区对其进行训练，然后预测另外一个地区的情况，所以它是普适的。目前，人类距离实际预测地震还有很长的路要走，在任何实时意义上都还要做很多的事情，但Meade相信机器学习在这方面将有巨大潜力。