Tenere un’IA sui terremoti i ricercatori presentano un modello di apprendimento profondo per migliorare le previsioni

Tenere un monitoraggio sull'IA dei terremoti i ricercatori presentano un modello di apprendimento profondo per migliorare le previsioni

Un team di ricerca mira a scuotere il sistema consolidato dei modelli di terremoti.

Ricercatori delle Università della California a Berkeley e Santa Cruz, e della Technical University di Monaco di Baviera, hanno recentemente pubblicato un articolo che descrive un nuovo modello che utilizza il deep learning per la previsione dei terremoti.released a paper

Chiamato RECAST, il modello può utilizzare set di dati più ampi e offrire una maggiore flessibilità rispetto al modello standard attuale, ETAS, che ha migliorato solo gradualmente dal suo sviluppo nel 1988, sostiene.

Gli autori dell’articolo – Kelian Dascher-Cousineau, Oleksandr Shchur, Emily Brodsky e Stephan Günnemann – hanno addestrato il modello su workstations NVIDIA GPU.

• Come possiamo prevedere la nostra relazione con l’IA?
• Intelligenza artificiale generativa in Azure Machine Learning Operazionalizzare lo sviluppo di app per la trasformazione dell’IA
• Ottieni il massimo dal raggruppamento di Pandas

“C’è un intero campo di ricerca che esplora come migliorare ETAS – ha detto Dacher-Cousineau, ricercatore post-dottorato presso UC Berkeley – è un modello estremamente utile che è stato molto utilizzato, ma è stato frustrantemente difficile migliorarlo.”

L’Intelligenza Artificiale Impulsiona la Sismologia Avanti

La promessa di RECAST è che la sua flessibilità nel modello, la capacità di auto-apprendimento e la capacità di scalare permetteranno di interpretare set di dati più ampi e fare previsioni migliori durante le sequenze di terremoti, ha detto.

I progressi del modello con previsioni migliorate potrebbero aiutare agenzie come lo U.S. Geological Survey e i suoi omologhi a offrire informazioni migliori a coloro che ne hanno bisogno. Ad esempio, i pompieri e gli altri soccorritori che entrano negli edifici danneggiati potrebbero beneficiare di previsioni più affidabili sugli scossoni di assestamento.

“C’è molto spazio per il miglioramento nel settore delle previsioni. E per una serie di motivi, la nostra comunità non si è davvero dedicata all’apprendimento automatico, in parte per via della prudenza e in parte perché si tratta di decisioni che hanno un impatto reale” – ha detto Dacher-Cousineau.

Il Modello RECAST Muove l’Ago

Mentre in passato le previsioni delle scosse di assestamento si basavano su modelli statistici, questo non è in grado di gestire i set di dati più ampi resi disponibili da un’esplosione di nuove capacità di elaborazione dati, secondo i ricercatori.

RECAST si basa su sviluppi nell’utilizzo di processi temporali neurali, che sono modelli generativi probabilistici per sequenze di eventi a tempo continuo. In breve, il modello ha un’architettura di rete neurale encoder-decoder utilizzata per prevedere il momento di un prossimo evento in base alla storia degli eventi passati.

Dacher-Cousineau ha detto che il rilascio e il confronto del modello nell’articolo dimostra che può imparare velocemente a fare ciò che ETAS può fare, mentre ha un vasto potenziale per fare di più.

“Il nostro modello è un modello generativo che, proprio come un modello di elaborazione del linguaggio naturale, può generare paragrafi e paragrafi di parole e puoi campionarlo e creare cataloghi sintetici” – ha detto Dacher-Cousineau – “Parte dell’articolo è lì per convincere i sismologi tradizionali che questo è un modello che sta facendo la cosa giusta, non stiamo overfitting”.

Migliorare i Dati Sismici Con Cataloghi Potenziati

I cataloghi sismici, o registri di dati sismici, per determinate regioni possono essere piccoli. Questo perché ancora oggi molti provengono da analisti sismici che interpretano scarabocchi di dati grezzi provenienti da sismometri. Ma anche qui, i ricercatori di intelligenza artificiale stanno costruendo modelli per interpretare autonomamente queste onde P e altri segnali nel dato in tempo reale.

Intanto, i dati migliorati stanno contribuendo a colmare la lacuna. Con i dati etichettati nei cataloghi sismici, gli ingegneri di machine learning stanno rielaborando queste fonti di dati grezzi e costruendo cataloghi potenziati per ottenere da 10 a 100 volte il numero di terremoti a scopo di allenamento e le relative categorie.

“Quindi non si tratta necessariamente di mettere a disposizione più strumenti per raccogliere dati, ma piuttosto di potenziare i dataset” – ha detto Dacher-Cousineau.

Applicare Set di Dati Più Am.

Con i set di dati più ampi, i ricercatori stanno iniziando a vedere miglioramenti da RECAST rispetto al modello ETAS standard.

Per far progredire lo stato dell’arte nella previsione dei terremoti, Dascher-Cousineau sta lavorando con un team di studenti universitari presso UC Berkeley per addestrare cataloghi sismici in diverse regioni al fine di ottenere migliori previsioni.

“Ho in mente le analogie dell’elaborazione del linguaggio naturale, dove sembra molto plausibile che le sequenze di terremoti in Giappone siano utili per informare sui terremoti in California” – ha detto – “E puoi vedere che sta andando nella direzione giusta”.

Scopri la generazione di dati sintetici con NVIDIA Omniverse Replicator