研究人员推出深度学习模型RECAST 改进地震预测

　　最近，来自加州伯克利分校、圣克鲁斯分校以及慕尼黑工业大学的研究人员发表论文，阐述了一种崭新的模型，将深度学习引入地震预测领域。

　　该模型被命名为RECAST，相比自1988年问世以来改进有限的当前标准模型ETAS，RECAST可利用更大的数据集，提供更高的灵活性。论文作者Kelian Dascher-Cousineau、Oleksandr Shchur、Emily Brodsky和Stephan Günnemann在NVIDIA GPU工作站上训练了该模型。

　　UC伯克利的博士后研究员Dascher-Cousineau表示:“整个研究领域都在探索如何改进ETAS模型，它是一个非常有用的模型，被广泛使用，但我们一直很难对它进行改进。”

　　RECAST模式的前景在于，它的模型灵活性、自学习能力和扩展能力将使其能够解释更大的数据集，并在地震序列期间做出更好的预测。如果模型预测准确性得到改进，可能会帮助美国地质调查局等机构为需要这些信息的人提供更好的信息。例如，消防员和其他首批进入受损建筑的救援人员，可能会从关于余震的更可靠的预测中受益。

　　Dascher-Cousineau表示:“在预测方面还有很大的改进空间。由于种种原因，我们的团队还没有真正投入机器学习，部分原因是保守，部分原因是这些决策影响深远。”

　　RECAST模型与过去依赖统计模型的震后预测工作不同，后者无法扩展到处理新出现的爆炸式增长的数据集。RECAST模型架构建立在神经临时点过程上的发展之上，这是用于基于过去事件历史预测下一个事件时间的概率生成模型。简而言之，该模型具有编码器-解码器神经网络架构，用于基于过去事件的历史预测下一个事件的时间。

　　Dascher-Cousineau表示，在论文中发布和基准测试该模型证明了它可以快速学习ETAS可以做什么，同时它具有做更多事情的巨大潜力。他说:“我们的模型是一个生成模型，就像自然语言处理模型一样，你可以生成段落和段落的文字，可以对其进行采样和生成合成目录。论文的一部分旨在说服老学术派的地震学家，这是一个正在做正确事情的模型——我们没有过度拟合。”

　　地震目录或地震数据记录对于特定地理区域来说可能很小。 这是因为时至今日，许多目录来自解释来自地震仪的原始数据涂鸦的地震分析师。但这也是AI研究人员正在建立模型的一个领域，以实时自动解释这些P波和数据中的其他信号。

　　使用地震目录中的标注数据，机器学习工程师正在重新审视这些原始数据源，并构建增强的目录，以获得训练数据和类别的10倍至100倍地震数量。

　　Dascher-Cousineau表示:“我们不一定要布置更多的仪器来收集数据，而是增强数据集。”

　　使用较大的数据集，研究人员开始看到RECAST相对于标准ETAS模型的改进。 为了推进地震预报领域的技术水平，Dascher-Cousineau正在与UC伯克利的本科生团队合作，以在多个区域训练地震目录，以进行更好的预测。

　　他说:“我记得自然语言处理的类比，日本的地震序列对加利福尼亚地震非常有用这一点似乎非常合理。你会看到它朝着正确的方向发展。”