内容简介：深度学习网络比最有用的现有模型（称为“库仑失效应力变化”）更可靠，现有库仑模型得分为0.583，而新的AI系统达到0.849。预测余震的位置有助于将紧急服务引导到他们需要的地方。人工智能在这一领域的成功归功于该技术的核心优势之一：它能够发现复杂数据集中以前被忽视的模式。这在地震学中尤为重要，因为在地震学中看到数据中的连接非常困难。地震事件涉及太多变量，从不同区域的地面构成到地震板块之间的相互作用类型，以及能量在波浪中穿过地球传播的方式。理解这一切是非常困难的。研究人员表示，他们的深度学习模型能够通过考虑一
科学家可以在一定程度上预测这些余震的大小和时间，但确定位置始终具有挑战性。哈佛大学和谷歌科学家的新研究表明AI可能会提供帮助。在本周发表在“自然”杂志上的一篇论文中，研究人员展示了深度学习如何比现有模型更可靠地帮助预测余震位置。科学家训练了一个神经网络，在数据库中查找超过131000次“主震 - 余震”事件的模式，然后在30000个类似对的数据库上测试其预测。
深度学习网络比最有用的现有模型（称为“库仑失效应力变化”）更可靠，现有库仑模型得分为0.583，而新的AI系统达到0.849。预测余震的位置有助于将紧急服务引导到他们需要的地方。人工智能在这一领域的成功归功于该技术的核心优势之一：它能够发现复杂数据集中以前被忽视的模式。这在地震学中尤为重要，因为在地震学中看到数据中的连接非常困难。地震事件涉及太多变量，从不同区域的地面构成到地震板块之间的相互作用类型，以及能量在波浪中穿过地球传播的方式。理解这一切是非常困难的。
研究人员表示，他们的深度学习模型能够通过考虑一个被称为“冯米塞斯屈服准则”的因素来做出预测，这是一种用于预测材料何时开始在压力下破裂的复杂计算。这个因素常用于冶金等领域，但在地震科学中从未流行过。现在，根据这一新模型的发现，地质学家可以研究其相关性。
尽管这项研究取得了成功，但它还远未准备好在现实世界中部署。首先，AI模型只关注由地面永久性变化引起的余震，称为静态应力。但后续地震也可能是由于后来发生的地面隆隆声造成的，称为动态压力。现有模型也太慢而无法实时工作。这很重要，因为大多数余震发生在地震发生后的第一天，然后在每一天的频率大致减半。
哈佛大学研究人员表示，我们距离实际能够预测余震还有很长的路要走，但我们为机器学习在这方面具有巨大的潜力。
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
