Сохранение ИИ на землетрясениях исследователи представили модель глубокого обучения для улучшения прогнозов

Улучшение прогнозов сохранности Искусственного Интеллекта в условиях землетрясений исследователи представили модель глубокого обучения

Исследовательская команда нацелена изменить устоявшийся порядок в моделях землетрясений.

Недавно исследователи Университетов Калифорнии в Беркли и Санта-Круз, а также Мюнхенского технического университета опубликовали статью, описывающую новую модель, которая применяет глубокое обучение для прогнозирования землетрясений.

Модель с названием RECAST может использовать более обширные наборы данных и предложить большую гибкость по сравнению со стандартной моделью ETAS, которая, по их мнению, улучшилась лишь незначительно с момента своего создания в 1988 году.

Авторы статьи – Келиан Даше-Кузино, Олександр Щур, Эмили Бродски и Стефан Гюннеманн – обучили модель на рабочих станциях с графическим процессором NVIDIA.

• Исследователи MIT представляют PFGM++ Революционное слияние физики и искусственного интеллекта для продвинутого поколения узоров
• Исследователи из ETH Цюриха и Microsoft представляют SCREWS Искусственная интеллектуальная платформа для улучшения рассуждений в больших языковых моделях.
• Исследователи Meta AI представляют RA-DIT новый подход искусственного интеллекта к модернизации языковых моделей для повышения возможностей поиска информации для знаниевооруженных задач.

“Существует целое направление исследований, которое изучает, как улучшить модель ETAS”, – сказал Дачер-Кузино, послевузовский исследователь в Университете Калифорнии в Беркли. – “Это крайне полезная модель, которая была широко использована, но она оказалась удручающе сложной для улучшения”.

Искусственный интеллект способствует развитию сейсмологии

Обещание RECAST заключается в том, что его модельная гибкость, способность к самообучению и масштабируемость позволят интерпретировать большие наборы данных и делать более точные прогнозы во время последовательности землетрясений, – сказал он.

Улучшение модели с помощью улучшенных прогнозов может помочь учреждениям, таким как Геологическое исследование США и аналогичные учреждения по всему миру, предоставлять лучшую информацию тем, кто в ней нуждается. Например, пожарным и другим первым реагентам при входе в поврежденные здания было бы полезно иметь более надежные прогнозы по поводу афтершоков.

“В прогнозировании все еще существует много возможностей для улучшения. И по ряду причин наше сообщество не углублялось в машинное обучение, в частности из-за консервативности и потому, что здесь принимаются важные решения”, – сказал Дачер-Кузино.

Модель RECAST смещает иглу

По словам исследователей, в прошлом работало много статистических моделей для прогнозирования афтершоков, но они не масштабируются для работы с более крупными данными, доступными из-за взрывного роста возможностей усовершенствованных данных.

Архитектура модели RECAST основана на разработках в области временных нейронных точечных процессов, являющихся вероятностными генеративными моделями для непрерывных последовательностей событий по времени. Вкратце, модель имеет архитектуру кодировщика-декодировщика нейронной сети, используемую для прогнозирования времени следующего события на основе истории предыдущих событий.

Дачер-Кузино сказал, что публикация и бенчмаркинг модели в статье демонстрирует, что она быстро учится делать то, что может делать ETAS, в то время как у нее есть огромный потенциал делать еще больше.

“Наша модель – генеративная модель, как модель обработки естественного языка, она может генерировать абзацы и абзацы слов, а также делать синтетические каталоги”, – сказал Дачер-Кузино. – “Часть статьи призвана убедить старых сейсмологов в том, что это модель, которая делает правильные вещи – мы не переобучаемся”.

Обогащение сейсмологических данных с помощью улучшенных каталогов

Каталоги землетрясений, или записи данных о землетрясениях для конкретных географических регионов, могут быть небольшими. Это связано с тем, что до сих пор многие из них получены от сейсмических аналитиков, интерпретирующих каракули сырых данных, поступающих от сейсмометров. Но и здесь исследователи в области искусственного интеллекта разрабатывают модели для автономной интерпретации этих P-волн и других сигналов в данных в режиме реального времени.

Тем временем усовершенствованные данные помогают заменить отсутствующую информацию. С помощью помеченных данных из каталогов землетрясений инженеры машинного обучения рассматривают источники сырых данных и создают усовершенствованные каталоги для получения от 10 до 100 раз большего количества землетрясений для обучающих данных и категорий.

“Таким образом, дело не в том, чтобы установить больше инструментов для сбора данных, а в том, чтобы улучшить наборы данных”, – сказал Дачер-Кузино.

Применение больших наборов данных в других областях

С использованием больших наборов данных исследователи начинают замечать улучшения от RECAST по сравнению со стандартной моделью ETAS.

Чтобы продвинуть методику прогнозирования землетрясений, Дачер-Кузино работает с командой студентов в Университете Калифорнии в Беркли, чтобы обучать каталоги землетрясений для нескольких регионов для получения лучших прогнозов.

“У меня в голове аналогии с обработкой естественного языка, где очень вероятно, что последовательности землетрясений в Японии полезны для прогнозирования землетрясений в Калифорнии”, – сказал он. – “И можно видеть, что это идет в правильном направлении”.

Узнайте о генерации синтетических данных с помощью NVIDIA Omniverse Replicator