Штучний інтелект Гуглу допоможе передбачити поштовхи після землетрусу
ВТОРИННІ ШОК. Руйнування, яке може викликати великий землетрус, часто не закінчується, коли земля перестає тремтіти. Багато з них виробляють афтершоки, невеликі тремтіння або навіть дні потому, викликані реакцією землі на перший землетрус.
Ці афтершоки можуть іноді наносити більше шкоди, ніж первинне землетрус. І хоча ми зазвичай можемо передбачити розмір афтершоки, ми не були такі великі в прогнозуванні його розташування.
Тепер це може змінитися. Дослідники з Гарвардського університету і відділу інтелекту Google створили нейронну мережу, яка може оцінити, наскільки ймовірно, що певне місце буде відчувати афтершок. Краща частина? Це більш точно, ніж найкраща існуюча модель.
Вони опублікували своє дослідження в середу в журналі Nature.
дбайливо КРАЩЕ, НІЖ монетки. Кращий інструмент, який ми маємо зараз для прогнозування афтершоків, - це модель, відома як зміна напруги кулонівського відмови. Дослідники можуть обчислити геологічний стрес, коли землетрус на навколишньому камені, а потім використовувати модель для визначення ймовірності того, що місце зіткнеться з афтершоком.
На жаль, ця модель трохи точніше, ніж перевертання монети.
ШІ До ПОРЯТУНКУ. Щоб краще передбачити розташування афтершоків, команда повернулася до ШІ.
По-перше, вони передали дані про 131 000 землетрусів з підземним ударом і землетрусом в нейронну мережу, які вони розробили для створення сітки з 5-кілограмових 5-кілометрових осередків навколо місця кожного основного штока. Потім вони передавали дані нейронної мережі, що показують, як основний удар змінив рівень стресу в центрі кожної навколишнього клітини. Потім нейронна мережа передбачила ймовірність того, що кожна клітинка стане сайтом афтершоки.
Дослідники протестували свою нейронну мережу на 30 000 подій, пов'язаних з Махонке-афтершоком, і виявили, що він може прогнозувати сайт афтершоків набагато точніше, ніж раніше використовувалась модель.
БІЛЬШЕ ПРИХОДИТИ. Хоча передбачення алгоритму не є надійними, дослідники досі задоволені своїм ШІ і вважають, що навіть більш точні системи можуть бути тільки на горизонті.
«Прогнозування афтершоків, зокрема, є завданням, яка добре підходить для машинного навчання, тому що існує так багато фізичних явищ, які можуть вплинути на поведінку афтершоків і машинне навчання, - це дуже добре дражнити ці відносини», - сказав науковий співробітник Phoebe DeVries Science Daily. «Я думаю, що ми дійсно просто подряпали поверхню того, що можна було зробити з прогнозуванням афтершоки ... і це дійсно цікаво».
Джерела: Venture Beat
