科學(xué)家們正在使用人工智能技術(shù)分析全世界地震的數(shù)據(jù)庫，來預(yù)測可能發(fā)生余震的地點(diǎn)。最近，來自哈佛大學(xué)、康涅狄格大學(xué)和谷歌的研究人員利用深度學(xué)習(xí)算法，開發(fā)了一個(gè)預(yù)測余震的系統(tǒng)，盡管準(zhǔn)確率仍然不夠，但效果顯著優(yōu)于隨機(jī)預(yù)測。

大地震發(fā)生后的數(shù)周、數(shù)月內(nèi)，周邊地區(qū)經(jīng)常會發(fā)生強(qiáng)烈余震，再次損害已經(jīng)遭受破壞的社區(qū)，極大阻礙了恢復(fù)重建工作。

盡管科學(xué)家已經(jīng)提出一些經(jīng)驗(yàn)性規(guī)律(如 Bäth 定律和 Ohmori 定律)來描述余震的可能規(guī)模和時(shí)間，但是預(yù)測余震的位置相比之下更難。

受谷歌研究人員建議的啟發(fā)，地球與行星科學(xué)教授 Brendan Meade 以及博士后 Phoebe DeVries 合作，利用人工智能技術(shù)嘗試解決該問題。

兩位研究者利用深度學(xué)習(xí)算法分析了全世界地震的數(shù)據(jù)庫，試圖預(yù)測可能發(fā)生余震的地點(diǎn)，他們開發(fā)出一個(gè)預(yù)測余震的系統(tǒng)，盡管準(zhǔn)確率仍然不足，但顯著優(yōu)于隨機(jī)預(yù)測。該研究成果已發(fā)表在 Nature 上。

Meade 說道：「人們想要了解關(guān)于地震的三個(gè)方面：地震發(fā)生的時(shí)間、規(guī)模和地點(diǎn)。在該研究之前，我們已經(jīng)對地震發(fā)生時(shí)間和規(guī)模形成了一些經(jīng)驗(yàn)性規(guī)律，現(xiàn)在我們致力于解決第三點(diǎn)：地點(diǎn)�！�

「我很興奮，機(jī)器學(xué)習(xí)有可能推動(dòng)這類問題的解決。這是個(gè)很重要的問題，值得我們探究�！笵eVries 稱，「余震預(yù)測尤其適合機(jī)器學(xué)習(xí)，因?yàn)橛绊懹嗾鸬奈锢憩F(xiàn)象如此之多，而機(jī)器學(xué)習(xí)恰好非常擅長厘清多個(gè)因素之間的關(guān)系。我認(rèn)為我們僅僅觸及了余震預(yù)測的表面……但這足以令人興奮了�！故褂萌斯ぶ悄苌窠�(jīng)網(wǎng)絡(luò)預(yù)測余震的想法在幾年前就已經(jīng)提出，當(dāng)時(shí) Meade 在谷歌劍橋辦公室進(jìn)行學(xué)術(shù)休假。

Meade 稱，當(dāng)時(shí)他與一組研究人員共同研究一個(gè)相關(guān)問題，一位同事建議「深度學(xué)習(xí)」算法可能會使這個(gè)問題的處理更加簡單。后來，Meade 與 DeVries 合作，DeVries 曾經(jīng)使用神經(jīng)網(wǎng)絡(luò)將高性能的計(jì)算代碼轉(zhuǎn)換成可在筆記本電腦上運(yùn)行的余震預(yù)測算法。

「我們的目標(biāo)是完成這件事，我們希望能對這個(gè)問題的解決有所貢獻(xiàn)�！筂eade 說道。

為此，Meade 和 DeVries 首先評估了 199 多場大地震相關(guān)觀察結(jié)果的數(shù)據(jù)庫。

Meade 介紹道：「5 級或以上地震發(fā)生后，人們用大量時(shí)間找出滑動(dòng)的斷層位置，以及移動(dòng)的范圍。很多研究可能使用來自一兩場地震的觀察結(jié)果，而我們使用整個(gè)數(shù)據(jù)庫。我們將該數(shù)據(jù)庫與基于物理學(xué)的模型結(jié)合起來，該模型關(guān)于地震發(fā)生后地球的應(yīng)力和應(yīng)變情況，大地震引起的應(yīng)力和應(yīng)變情況可能是引發(fā)余震的因素。」

他們利用該信息，將一塊區(qū)域分割成多個(gè) 5 平方公里面積的網(wǎng)格。然后用系統(tǒng)檢查每個(gè)網(wǎng)格中是否發(fā)生余震，再用神經(jīng)網(wǎng)絡(luò)查看余震發(fā)生地點(diǎn)和大地震導(dǎo)致的應(yīng)力之間的關(guān)聯(lián)。

「問題在于哪些因素組合是有助于預(yù)測的�！筂eade 說，「這方面存在很多理論，但是我們這篇論文做了一件事，就是顛覆了最主流的理論，這篇論文展示了最主流理論的預(yù)測能力其實(shí)不高，它提出了具備更好預(yù)測能力的因素�！筂eade 稱，該系統(tǒng)指向的就是偏應(yīng)力張量第二不變量，簡稱 J2。

「J2 經(jīng)常出現(xiàn)在冶金學(xué)和其他理論中，但在地震科學(xué)中并不流行�！筂eade 說道，「但是這意味著神經(jīng)網(wǎng)絡(luò)提出的事物并不瘋狂，而是具備高度可解釋性。它能夠確定我們應(yīng)該觀察哪些物理學(xué)因素，這非常酷。」

DeVries 認(rèn)為，這種可解釋性非常關(guān)鍵，因?yàn)槿斯ぶ悄芟到y(tǒng)長期被很多科學(xué)家認(rèn)為是黑箱，而它可以根據(jù)一些數(shù)據(jù)生成答案。

「這是我們的研究過程中最重要的步驟之一�！顾�說，「我們最初訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，注意到它在預(yù)測余震位置任務(wù)上做得很好，但是我們認(rèn)為找出它所尋找的對余震預(yù)測重要或有用的因素非常關(guān)鍵�！谷欢�，給這個(gè)挑戰(zhàn)再加上高度復(fù)雜的現(xiàn)實(shí)世界數(shù)據(jù)使得這個(gè)任務(wù)難度極大，因此這兩位研究者轉(zhuǎn)而讓系統(tǒng)為合成、高度理想化的地震進(jìn)行預(yù)測，然后檢查預(yù)測結(jié)果。

「我們查看了神經(jīng)網(wǎng)絡(luò)的輸出，確認(rèn)如果多種量控制余震預(yù)測結(jié)果時(shí)我們應(yīng)該使用哪些量。通過對它們進(jìn)行空間上的對比，我們發(fā)現(xiàn) J2 對于預(yù)測比較重要�！�

Meade 說，由于該神經(jīng)網(wǎng)絡(luò)是使用全世界的地震和余震數(shù)據(jù)訓(xùn)練的，因此得到的系統(tǒng)可用于多種類型的斷層。

「世界不同地區(qū)的斷層具備不同的幾何形狀。」Meade 稱，「加州大部分是滑斷層(slip-fault)，而其他地方(如日本)有很淺的俯沖帶。但該系統(tǒng)最酷的地方在于你可以基于一個(gè)地方的數(shù)據(jù)訓(xùn)練模型，但它也可以預(yù)測其他地區(qū)的余震，因此它具備較強(qiáng)的泛化性能�！�

「在真正實(shí)現(xiàn)預(yù)測余震和實(shí)時(shí)預(yù)測方面，我們還有很長的路要走，但我認(rèn)為機(jī)器學(xué)習(xí)對解決這個(gè)問題有很大的潛力�！筂eade 說道。

Meade 稱，接下來她打算研究使用人工智能技術(shù)預(yù)測地震的震級，旨在有一天能夠幫助防止地震災(zāi)害帶來的毀滅性影響。

「傳統(tǒng)的地震學(xué)家更像病理學(xué)家�！筂eade 說道，「他們研究災(zāi)難性地震事件后會發(fā)生什么。我不想做這些，我想成為流行病學(xué)家。我想了解導(dǎo)致這些事件的誘發(fā)因素、原因�！�

最終，Meade 說，該研究有助于人們重視深度學(xué)習(xí)算法的潛力，解答至少近期科學(xué)家們難以回答的難題。

他說，「我認(rèn)為這對地震的預(yù)測是一場無聲的革命。它不再是完全無關(guān)的想法。這一結(jié)果很有趣，我認(rèn)為這是在人工智能時(shí)代重建所有科學(xué)革命的一部分。

他補(bǔ)充說到，「近來，以前驚人的難題變得容易了，不僅是因?yàn)橛?jì)算力�？茖W(xué)社區(qū)將會極大的得益于此因?yàn)?.....AI 聽起來非常嚇人，但實(shí)際并非如此。這是計(jì)算非常民主化的一種形式，我認(rèn)為開始有大量的人接觸到 AI�！�

論文：Deep learning of aftershock patterns following large earthquakes

 

 

論文地址：https://www.nature.com/articles/s41586-018-0438-y

摘要：余震是對大型地震所產(chǎn)生的應(yīng)力變化的一種響應(yīng)，其代表了地震產(chǎn)生的最常見觀察結(jié)果。Bath 定律和 Omori 定律等經(jīng)驗(yàn)法則很好地描述了余震的最大振幅和它們的時(shí)延，但是解釋和預(yù)測余震的空間分布就顯得困難得多。對于余震的空間分布，庫侖破裂應(yīng)力變化可能是最廣泛的解釋標(biāo)準(zhǔn)，但是它的適用性一直存在爭議。在本論文中，我們使用深度學(xué)習(xí)方法確定基于靜態(tài)應(yīng)力的標(biāo)準(zhǔn)，并在不事先假設(shè)地震方向的情況下預(yù)測余震位置。

我們的結(jié)果表明，深度神經(jīng)網(wǎng)絡(luò)在超過 131,000 條由主震-余震對構(gòu)建的數(shù)據(jù)集訓(xùn)練后，它能在獨(dú)立的測試集中預(yù)測余震位置，其中該測試集包含了 30,000 條主震-余震對數(shù)據(jù)。此外，該深度模型相比于庫侖破裂應(yīng)力變化(曲線下面積為 0.583)有更準(zhǔn)確的預(yù)測(曲線下面積為 0.849)。我們發(fā)現(xiàn)學(xué)習(xí)到的余震模式在物理上是可解釋的：剪切應(yīng)力的最大變化、von Mises 準(zhǔn)則和應(yīng)力變化張量的獨(dú)立分量的絕對值之和，他們每一個(gè)都解釋了神經(jīng)網(wǎng)絡(luò)預(yù)測超過 98% 的方差。這種以機(jī)器學(xué)習(xí)為驅(qū)動(dòng)觀察提供了對余震位置更好的預(yù)測，并發(fā)現(xiàn)了在地震周期中最活躍部分能控制地震觸發(fā)的物理量。

原文鏈接：https://www.sciencedaily.com/releases/2018/08/180829143753.htm

標(biāo)簽： 代碼 谷歌 數(shù)據(jù)庫 網(wǎng)絡(luò)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。