AI預測地震餘震：哈佛大學新研究登上Nature

選自ScienceDaily，Harvard University，機器之心編譯，參與：路、蔣思源。

科學家們正在使用人工智慧技術分析全世界地震的資料庫，來預測可能發生餘震的地點。最近，來自哈佛大學、康涅狄格大學和谷歌的研究人員利用深度學習演算法，開發了一個預測餘震的系統，儘管準確率仍然不夠，但效果顯著優於隨機預測。

大地震發生後的數周、數月內，周邊地區經常會發生強烈餘震，再次損害已經遭受破壞的社區，極大阻礙了恢復重建工作。

儘管科學家已經提出一些經驗性規律（如 B?th 定律和 Ohmori 定律）來描述餘震的可能規模和時間，但是預測餘震的位置相比之下更難。

受谷歌研究人員建議的啟發，地球與行星科學教授 Brendan Meade 以及博士後 Phoebe DeVries 合作，利用人工智慧技術嘗試解決該問題。

兩位研究者利用深度學習演算法分析了全世界地震的資料庫，試圖預測可能發生餘震的地點，他們開發出一個預測餘震的系統，儘管準確率仍然不足，但顯著優於隨機預測。該研究成果已發表在 Nature 上。

Meade 說道：「人們想要了解關於地震的三個方面：地震發生的時間、規模和地點。在該研究之前，我們已經對地震發生時間和規模形成了一些經驗性規律，現在我們致力於解決第三點：地點。」

「我很興奮，機器學習有可能推動這類問題的解決。這是個很重要的問題，值得我們探究。」DeVries 稱，「餘震預測尤其適合機器學習，因為影響餘震的物理現象如此之多，而機器學習恰好非常擅長釐清多個因素之間的關係。我認為我們僅僅觸及了餘震預測的表面……但這足以令人興奮了。」使用人工智慧神經網路預測餘震的想法在幾年前就已經提出，當時 Meade 在谷歌劍橋辦公室進行學術休假。

Meade 稱，當時他與一組研究人員共同研究一個相關問題，一位同事建議「深度學習」演算法可能會使這個問題的處理更加簡單。後來，Meade 與 DeVries 合作，DeVries 曾經使用神經網路將高性能的計算代碼轉換成可在筆記本電腦上運行的餘震預測演算法。

「我們的目標是完成這件事，我們希望能對這個問題的解決有所貢獻。」Meade 說道。

為此，Meade 和 DeVries 首先評估了 199 多場大地震相關觀察結果的資料庫。

Meade 介紹道：「5 級或以上地震發生後，人們用大量時間找出滑動的斷層位置，以及移動的範圍。很多研究可能使用來自一兩場地震的觀察結果，而我們使用整個資料庫。我們將該資料庫與基於物理學的模型結合起來，該模型關於地震發生後地球的應力和應變情況，大地震引起的應力和應變情況可能是引發餘震的因素。」

他們利用該信息，將一塊區域分割成多個 5 平方公裡面積的網格。然後用系統檢查每個網格中是否發生餘震，再用神經網路查看餘震發生地點和大地震導致的應力之間的關聯。

「問題在於哪些因素組合是有助於預測的。」Meade 說，「這方面存在很多理論，但是我們這篇論文做了一件事，就是顛覆了最主流的理論，這篇論文展示了最主流理論的預測能力其實不高，它提出了具備更好預測能力的因素。」Meade 稱，該系統指向的就是偏應力張量第二不變數，簡稱 J2。

「J2 經常出現在冶金學和其他理論中，但在地震科學中並不流行。」Meade 說道，「但是這意味著神經網路提出的事物並不瘋狂，而是具備高度可解釋性。它能夠確定我們應該觀察哪些物理學因素，這非常酷。」

DeVries 認為，這種可解釋性非常關鍵，因為人工智慧系統長期被很多科學家認為是黑箱，而它可以根據一些數據生成答案。

「這是我們的研究過程中最重要的步驟之一。」她說，「我們最初訓練神經網路時，注意到它在預測餘震位置任務上做得很好，但是我們認為找出它所尋找的對餘震預測重要或有用的因素非常關鍵。」然而，給這個挑戰再加上高度複雜的現實世界數據使得這個任務難度極大，因此這兩位研究者轉而讓系統為合成、高度理想化的地震進行預測，然後檢查預測結果。

「我們查看了神經網路的輸出，確認如果多種量控制餘震預測結果時我們應該使用哪些量。通過對它們進行空間上的對比，我們發現 J2 對於預測比較重要。」

Meade 說，由於該神經網路是使用全世界的地震和餘震數據訓練的，因此得到的系統可用於多種類型的斷層。

「世界不同地區的斷層具備不同的幾何形狀。」Meade 稱，「加州大部分是滑斷層（slip-fault），而其他地方（如日本）有很淺的俯衝帶。但該系統最酷的地方在於你可以基於一個地方的數據訓練模型，但它也可以預測其他地區的餘震，因此它具備較強的泛化性能。」

「在真正實現預測餘震和實時預測方面，我們還有很長的路要走，但我認為機器學習對解決這個問題有很大的潛力。」Meade 說道。

Meade 稱，接下來她打算研究使用人工智慧技術預測地震的震級，旨在有一天能夠幫助防止地震災害帶來的毀滅性影響。

「傳統的地震學家更像病理學家。」Meade 說道，「他們研究災難性地震事件後會發生什麼。我不想做這些，我想成為流行病學家。我想了解導致這些事件的誘發因素、原因。」

最終，Meade 說，該研究有助於人們重視深度學習演算法的潛力，解答至少近期科學家們難以回答的難題。

他說，「我認為這對地震的預測是一場無聲的革命。它不再是完全無關的想法。這一結果很有趣，我認為這是在人工智慧時代重建所有科學革命的一部分。

他補充說到，「近來，以前驚人的難題變得容易了，不僅是因為計算力。科學社區將會極大的得益於此因為......AI 聽起來非常嚇人，但實際並非如此。這是計算非常民主化的一種形式，我認為開始有大量的人接觸到 AI。」

論文：Deep learning of aftershock patterns following large earthquakes

論文地址：https://www.nature.com/articles/s41586-018-0438-y

摘要：餘震是對大型地震所產生的應力變化的一種響應，其代表了地震產生的最常見觀察結果。Bath 定律和 Omori 定律等經驗法則很好地描述了餘震的最大振幅和它們的時延，但是解釋和預測餘震的空間分布就顯得困難得多。對於餘震的空間分布，庫侖破裂應力變化可能是最廣泛的解釋標準，但是它的適用性一直存在爭議。在本論文中，我們使用深度學習方法確定基於靜態應力的標準，並在不事先假設地震方向的情況下預測餘震位置。

我們的結果表明，深度神經網路在超過 131,000 條由主震-餘震對構建的數據集訓練後，它能在獨立的測試集中預測餘震位置，其中該測試集包含了 30,000 條主震-餘震對數據。此外，該深度模型相比於庫侖破裂應力變化（曲線下面積為 0.583）有更準確的預測（曲線下面積為 0.849）。我們發現學習到的餘震模式在物理上是可解釋的：剪切應力的最大變化、von Mises 準則和應力變化張量的獨立分量的絕對值之和，他們每一個都解釋了神經網路預測超過 98% 的方差。這種以機器學習為驅動觀察提供了對餘震位置更好的預測，並發現了在地震周期中最活躍部分能控制地震觸發的物理量。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！