Press "Enter" to skip to content

保持AI对地震的关注:研究人员推出深度学习模型以改善地震预测

一支研究团队旨在颠覆地震模型的现状。

加利福尼亚大学伯克利分校、圣克鲁兹分校以及慕尼黑工业大学的研究人员最近发布了一篇关于将深度学习运用于地震预测的新模型的论文。

被称为RECAST的模型可以使用更大的数据集,并提供比目前标准模型ETAS更高的灵活性。自从1988年开发以来,ETAS的改进仅有逐步增加。

该论文的作者 Kelian Dascher-Cousineau,Oleksandr Shchur,Emily Brodsky和Stephan Günnemann 在 NVIDIA GPU 工作站上训练了这个模型。

“有一个研究领域在探索如何改进 ETAS,” UC 伯克利分校的博士后研究员 Dacher-Cousineau 说道。“ETAS 是一个极为有用的模型,被广泛应用,但我们却一直很难在其基础上有所改进。”

AI 推动地震学前进

RECAST的优势在于其模型的灵活性、自我学习能力和可伸缩性,使其能够解释更大的数据集,并在地震序列期间进行更好的预测。

随着模型预测的改进,相关机构如美国地质调查局及其他类似机构可以为需要相关信息的人们提供更好的资讯,例如,消防员和其他首次反应人员进入受损建筑时,可以从更可靠的余震预测中受益。

“在预测方面有很大的改进空间。由于保守和这些决策具有重大影响,我们的社区还没有真正深入机器学习领域。”Dacher-Cousineau 补充道。

RECAST 模型改变现状

过去关于余震预测的工作依赖于统计模型,这无法应对日益丰富的新增能力所带来的更大数据集合,研究人员称。

RECAST模型架构建立在神经时态点过程的发展基础之上,这是一种用于连续时间事件序列的概率生成模型。简而言之,该模型具有编码器-解码器神经网络架构,用于基于过去事件的历史来预测下一事件的时间。

Dacher-Cousineau表示,将模型在论文中发布和进行基准测试表明它可以快速学习 ETAS 的功能,同时具有更大的潜力。

“我们的模型是一种生成模型,就像自然语言处理模型一样,可以生成段落并进行采样,生成合成目录,”Dacher-Cousineau 说道。“论文的一部分是为了说服传统的地震学家,这是一个正在做正确事情的模型,我们没有过拟合。”

通过改进目录推进地震数据

特定地理区域的地震目录或地震数据记录可能很少。这是因为迄今为止,许多地震目录来自解读地震计测得的原始数据的地震学分析人员。然而,这也是人工智能研究人员正在建立模型以实时自动解读这些 P 波和其他信号数据的领域。

同时,增强型数据正在帮助填补这一空白。借助地震目录中的标记数据,机器学习工程师正在重新研究这些原始数据源,并建立增强型目录以获取10倍至100倍的地震训练数据和类别。

“因此,我们不一定是要布置更多的仪器来收集数据,而是要增强数据集合,”Dacher-Cousineau说。

将更大的数据集合应用于其他领域

随着更大的数据集合,研究人员正开始看到与标准 ETAS 模型相比,RECAST 的改进。

为了推进地震预测的最新技术,Dascher-Cousineau 正与 UC 伯克利的本科生团队合作,为更好的预测训练多个地区的地震目录。

“我心中有自然语言处理的类比,日本的地震序列似乎非常有可能对加利福尼亚州的地震有所启发。”他说。“你可以看到发展正朝着正确的方向。”

通过了解使用 NVIDIA Omniverse Replicator 进行合成数据生成的相关信息,点击此处

Leave a Reply

Your email address will not be published. Required fields are marked *