2021年8月，《自然·通讯》（Nature Communications）期刊发表题为《机器学习和地震预报——未来部署》（Machine learning and earthquake forecasting—next steps）文章指出，通过监督式机器学习开发的新一代地震目录，以前所未有的研究细节揭示了地震活动。应用无监督机器学习分析这些目录中更完整的地震活动可能是改进地震预报的最快途径。

在过去的5年里，人们看到了将机器学习应用于地震预报问题的快速发展。地震监测工作流程包括：探测、到达时间测量、相位关联、位置和特性描述。由于机器学习方法的有效实施，这些任务都取得了快速进展。这些基本要素已经被证明是地震学中机器学习的合适目标，这主要是因为它们拥有大量的标记数据集，这些数据集通常是公开可用的，而且是由熟练的分析师经过几十年的专门工作构建的。在地震发生后对地震活动进行详细分析的研究模式已取得进展，将在操作模式下实施机器学习技术进行实时监测。包含更多信息的下一代地震目录将会进行构建。这些更完整的目录通常至少有十倍以上的地震，并提供了地震活动断层的更高分辨率的图像。

下一代的地震目录将不再是地震学家所习惯的单一的静态对象。例如，在2019年美国加州Ridgecrest地震序列发生不到两年的时间里，已经存在了四种下一代地震目录，每一种都是用不同的增强探测技术开发的。在未来，这将成为常态，地震目录将随着时间的推移而更新和改进。第二代深度学习模型是根据地震信号特征专门设计的，通过模拟分析人员的人工处理，其性能提高可能会超过早期采用其他领域神经网络架构的模型。那些对使用地震目录进行预测感兴趣的人可以预测不断改进的变化景观。短期的确定性地震预测仍然是难以捉摸的，也许是不可能的。

通过机器学习开发的更深层次的目录更是如此。它们的高维性给地震学家的探索带来了挑战，传统方法似乎不太可能利用新一代更深层目录所提供的丰富新信息。研究认为，数据科学的统计学习技术首先使这些目录才能得以发展，目前正准备在揭示它们之间的新关系方面发挥重要作用。显而易见，下一步是在发现模式中应用机器学习技术，以识别地震活动中编码的新关系。

研究迹象表明，这种方法可能会带来新的见解。在剪切实验中，原本被认为是无信息的随机噪声的背景信号，在实验室环境中被显示为对摩擦状态和断层最终失效时间的信息进行编码。将无监督深度学习应用于地震波形数据，揭示了2017年格陵兰岛破坏性大滑坡和海啸之前的前兆信号。在无监督深度学习中，算法用于在没有预先标签的情况下识别数据中的模式。这些例子是引人注目的，但需要注意的是，它们不能代表社会关注的构造断层上典型的快速破裂的地震。然而，对于这类地震，最先进的预测方法也表明，下一代地震目录可能包含有助于取得进展的信息。基于物理的预测模型，解释了由于先前地震的库仑失效应力的变化，这有利于随后地震的发生，已经显示出越来越多的技巧优势，以至于它们可以与统计模型竞争，并开始超越统计模型。库仑失效模型尤其受益于更深层次的目录，因为它们包括了更多的小震级地震。这些小地震通过其次级触发效应，追踪最终控制前震和余震序列中地震成核的精细尺度应力场的演化，从而增加了预测能力。

研究得出，现在可以以前所未有的空间分辨率对活动断层系统的活动进行成像。这将使人们能够用熟悉的假说进行实验，并使新的假说得以形成。似乎可以肯定的是，驱动地震发生的潜在过程被编码在下一代地震目录中，通过无监督机器学习方法有利于发现和寻找它们。