莱斯大学的研究人员利用深度学习技术来寻找格陵兰致命山体滑坡之前就存在的迹象
莱斯大学(Rice University)布朗工程学院(Brown School of Engineering)的研究人员利用2017年格陵兰岛(Greenland)致命山体滑坡之前收集的数据,展示了深度学习在某一天可能如何帮助预测地震和火山爆发等地震事件。
在格陵兰峡湾发生大规模滑坡之前收集的地震数据显示,那里有即将发生滑坡的微妙信号,但没有人能及时将这些线索汇总起来做出预测。随之而来的海啸摧毁了Nuugaatsiaq村,造成4人死亡,9人受伤,11座建筑被冲入大海。
前赖斯访问学者Leonard Seydoux领导的一项研究使用了由赖斯工程师和合著者Maarten de Hoop和Richard Baraniuk开发的技术。Leonard Seydoux现在是法国巴黎大学(University of Grenoble-Alpes)助理教授。他们在《自然通讯》上发表了一篇开放获取的报告,报告显示了深度学习方法是如何处理地震工具提供的海量数据,速度之快足以预测地震事件的。
与赖斯的地球、环境和行星科学系合作,专攻反问题的数学分析和深度学习的De Hoop说,人工智能(AI)的进步非常适合独立监测大量且不断增长的地震数据。他说,人工智能有能力识别事件集群和检测背景噪音,以建立人类专家可能由于他们的模型偏差而无法识别的联系,更不用说庞大的规模了。
在Nuugaatsiaq地震发生前几个小时,这些小信号开始出现在附近一个地震台收集的数据中。研究人员分析了从2017年6月17日午夜到晚上11点39分滑坡前一分钟的数据,滑坡释放了多达5100万立方米的物质。
Rice算法显示,
2在原始地震记录中无法检测到微弱但重复的轰鸣,这种轰鸣在地震发生前约9小时就开始了,随着时间的推移不断加速,最终导致山体滑坡。
“我们的合著者、格勒诺布尔的皮耶罗·波利(Piero Poli)曾就此发表过一篇先驱论文,他研究了在没有人工智能的情况下发生的情况,”德霍普说。“他们在数据中发现了一些他们认为我们应该研究的东西,因为该地区与许多其他噪音和构造活动隔绝,这是我们可以利用的最纯净的数据来尝试我们的想法。”
De Hoop正在继续测试该算法,以分析哥斯达黎加的火山活动,他还参与了美国宇航局(NASA)的InSight着陆器的工作,该着陆器在近两年前向火星表面发射了一个地震探测器。
德豪普说,持续不断的监测可以提供实时的警告,这将拯救生命。
“人们问我这个研究是否有意义
2,是的,它是向前迈进了一大步,然后我们是否可以预测地震。我们还没有准备好这样做,但是我认为这个方向是目前最有希望的方向之一。”
当de Hoop五年前加入Rice时,他带来了解决逆向问题的专业知识,即从数据中反向寻找原因。Baraniuk是机器学习和压缩感知方面的领先专家,这有助于从稀疏样本中提取有用的数据。他们是一个强大的团队。
这项工作最令人兴奋的不是目前的结果,而是这种方法代表了机器学习应用于地球物理学的一个新的研究方向。”
“我来自数学深度学习,而里奇来自信号处理,这两门学科的两端,”de Hoop说。“但在这里,我们的立场是中间的。现在我们有一个巨大的机会让赖斯利用它的专业知识,成为地震学家收集和整合这些信息的枢纽。现在的数据太多了,无法用其他方式处理。”
在Simons Foundation Math+X研讨会上,De Hoop帮助Rice提高了地震专家的声誉,该研讨会已经开展了空间探索和减轻火山和地震等自然灾害方面的活动。第三个项目将研究对太阳巨行星和系外行星的深度学习应用,具体日期将公布。
这篇论文的合著者是莱斯大学研究生兰德尔·巴莱斯特列罗(Randall Balestriero)和格勒诺布尔大学(Grenoble)教授米歇尔·坎皮略(Michel Campillo)。波利是法国格勒诺布尔国家科学研究中心的研究员。De Hoop是计算与应用数学和地球科学西蒙斯主席,在Rice任职于计算与应用数学、数学与地球、环境与行星科学。Baraniuk是Rice电子计算机工程和计算机科学的Victor E. Cameron教授,也是OpenStax的创始人和主任。
欧洲研究委员会支持的研究是多学科研究所的人工智能在Grenoble-Alpes,西蒙斯基金会、美国能源部、美国国家科学基金会,美国空军科学研究办公室,美国海军研究办公室和国防部Vannevar Bush学院奖学金。
新闻旨在传播有益信息,英文原版地址:https://news.rice.edu/2020/08/24/small-quake-clusters-cant-hide-from-ai-2/