研究人員推出深度學習模型RECAST 改進地震預測

　　最近，來自加州伯克利分校、圣克魯斯分校以及慕尼黑工業(yè)大學的研究人員發(fā)表論文，闡述了一種嶄新的模型，將深度學習引入地震預測領域。

　　該模型被命名為RECAST，相比自1988年問世以來改進有限的當前標準模型ETAS，RECAST可利用更大的數(shù)據(jù)集，提供更高的靈活性。論文作者Kelian Dascher-Cousineau、Oleksandr Shchur、Emily Brodsky和Stephan Günnemann在NVIDIA GPU工作站上訓練了該模型。

　　UC伯克利的博士后研究員Dascher-Cousineau表示:“整個研究領域都在探索如何改進ETAS模型，它是一個非常有用的模型，被廣泛使用，但我們一直很難對它進行改進。”

　　RECAST模式的前景在于，它的模型靈活性、自學習能力和擴展能力將使其能夠解釋更大的數(shù)據(jù)集，并在地震序列期間做出更好的預測。如果模型預測準確性得到改進，可能會幫助美國地質(zhì)調(diào)查局等機構(gòu)為需要這些信息的人提供更好的信息。例如，消防員和其他首批進入受損建筑的救援人員，可能會從關于余震的更可靠的預測中受益。

　　Dascher-Cousineau表示:“在預測方面還有很大的改進空間。由于種種原因，我們的團隊還沒有真正投入機器學習，部分原因是保守，部分原因是這些決策影響深遠。”

　　RECAST模型與過去依賴統(tǒng)計模型的震后預測工作不同，后者無法擴展到處理新出現(xiàn)的爆炸式增長的數(shù)據(jù)集。RECAST模型架構(gòu)建立在神經(jīng)臨時點過程上的發(fā)展之上，這是用于基于過去事件歷史預測下一個事件時間的概率生成模型。簡而言之，該模型具有編碼器-解碼器神經(jīng)網(wǎng)絡架構(gòu)，用于基于過去事件的歷史預測下一個事件的時間。

　　Dascher-Cousineau表示，在論文中發(fā)布和基準測試該模型證明了它可以快速學習ETAS可以做什么，同時它具有做更多事情的巨大潛力。他說:“我們的模型是一個生成模型，就像自然語言處理模型一樣，你可以生成段落和段落的文字，可以對其進行采樣和生成合成目錄。論文的一部分旨在說服老學術(shù)派的地震學家，這是一個正在做正確事情的模型——我們沒有過度擬合。”

　　地震目錄或地震數(shù)據(jù)記錄對于特定地理區(qū)域來說可能很小。 這是因為時至今日，許多目錄來自解釋來自地震儀的原始數(shù)據(jù)涂鴉的地震分析師。但這也是AI研究人員正在建立模型的一個領域，以實時自動解釋這些P波和數(shù)據(jù)中的其他信號。

　　使用地震目錄中的標注數(shù)據(jù)，機器學習工程師正在重新審視這些原始數(shù)據(jù)源，并構(gòu)建增強的目錄，以獲得訓練數(shù)據(jù)和類別的10倍至100倍地震數(shù)量。

　　Dascher-Cousineau表示:“我們不一定要布置更多的儀器來收集數(shù)據(jù)，而是增強數(shù)據(jù)集。”

　　使用較大的數(shù)據(jù)集，研究人員開始看到RECAST相對于標準ETAS模型的改進。 為了推進地震預報領域的技術(shù)水平，Dascher-Cousineau正在與UC伯克利的本科生團隊合作，以在多個區(qū)域訓練地震目錄，以進行更好的預測。

　　他說:“我記得自然語言處理的類比，日本的地震序列對加利福尼亞地震非常有用這一點似乎非常合理。你會看到它朝著正確的方向發(fā)展。”