大地震發(fā)生后，危險還沒有結(jié)束。由 初的沖擊引發(fā)的較小的后續(xù)地震可能會在受影響的區(qū)域周圍隆隆數(shù)月，推翻被地震削弱的結(jié)構(gòu)?？茖W(xué) 可以在 定程度上預(yù)測這些余震的大小和時間，但確定位置始終具有挑戰(zhàn)性。哈佛大學(xué)和谷歌科學(xué) 的新研究表明AI可能會提供幫助。
在本周發(fā)表在“ 自然 ”雜志上的 篇論文中，研究人員展示了深度學(xué)習(xí)如何比現(xiàn)有模型更可靠地幫助預(yù)測余震位置?？茖W(xué) 訓(xùn)練了 個神經(jīng)網(wǎng)絡(luò)，在數(shù)據(jù)庫中查找超過131,000次“主震 - 余震”事件的模式，然后在30,000個類似對的數(shù)據(jù)庫上測試其預(yù)測。
深度學(xué)習(xí)網(wǎng)絡(luò)比 有用的現(xiàn)有模型（稱為“庫侖失效應(yīng)力變化”）更可靠。在從0到1的精度范圍內(nèi) - 其中1是完全精確的模型，0.5與翻轉(zhuǎn) 樣好硬幣 - 現(xiàn)有庫侖模型得分為0.583，而新的AI系統(tǒng)達到0.849。
哈佛大學(xué)地球與行星科學(xué)教授布倫丹·米德（Brendan Meade）告訴“ 科學(xué)日報”，結(jié)果很有希望。“你想知道三件關(guān)于地震的事情，”米德說。“當(dāng)他們將要發(fā)生時，他們將會有多大，他們將會在哪里。在這項工作之前，我們有關(guān)于它們何時會發(fā)生以及它們將會變得多大的經(jīng)驗法則，現(xiàn)在我們正處于可能發(fā)生的第三條腿。“
人工智能在這 域的成功歸功于該技術(shù)的核心優(yōu)勢之 ：它能夠發(fā)現(xiàn)復(fù)雜數(shù)據(jù)集中以前被忽視的模式。這在地震學(xué)中尤為重要，因為在地震學(xué)中看到數(shù)據(jù)中的連接非常困難。地震事件涉及太多變量，從不同區(qū)域的地面構(gòu)成到地震板塊之間的相互作用類型，以及能量在波浪中穿過地球傳播的方式。理解這 切是非常困難的。
研究人員表示，他們的深度學(xué)習(xí)模型能夠通過考慮 個被稱為“馮米塞斯屈服準(zhǔn)則”的因素來做出預(yù)測，這是 種用于預(yù)測材料何時開始在壓力下破裂的復(fù)雜計算。正如Meade告訴“ 科學(xué)日報”，這個因素常用于冶金等 域，“但在地震科學(xué)中從未流行過。”現(xiàn)在，根據(jù)這 新模型的發(fā)現(xiàn)，地質(zhì)學(xué) 可以研究其相關(guān)性。
盡管這項研究取得了成功，但它還遠未準(zhǔn)備好在現(xiàn)實 中部署。 ，AI模型只關(guān)注由地面永久性變化引起的余震，稱為靜態(tài)應(yīng)力。但后續(xù)地震也可能是由于后來發(fā)生的地面隆隆聲造成的，稱為動態(tài)壓力?，F(xiàn)有模型也太慢而無法實時工作。這很重要，因為大多數(shù)余震發(fā)生在地震發(fā)生后的第 天，然后在每 天的頻率大致減半。
正如幫助 導(dǎo)研究的哈佛大學(xué)博士后Phoebe DeVries告訴“ 科學(xué)日報”：“我們距離實際能夠預(yù)測[余震]還有很長的路要走，但我認為機器學(xué)習(xí)在這方面具有巨大的潛力。”
:021-80392064 QQ：2039609103 企業(yè)入駐:
