AI lærte at finde svage jordskælv og skorpeskift

Stærke jordskælv er svære at gå glip af, men de er sjældne. I mellemtiden passerer de ubemærket

små forskydninger af cortex, der opstårkonstant. De opstår på de samme forkastninger som stærkere jordskælv og involverer de samme mekanismer. Disse "mikroskælv" giver grobund for forskning i udviklingen af ​​ændringer i jordskorpen.

Hvis vi forbedrer vores evne til at opdage oglokalisere disse meget små jordskælv, kan vi få et klarere billede af, hvordan jordskælv interagerer eller forplanter sig langs en forkastning, hvordan de starter, og endda hvordan de stopper. 

Gregory Beroza, en Stanford-fysiker og en af ​​forfatterne til papiret

Mousavi begyndte at arbejde på teknologi tilautomatisering til registrering af jordskælv. Tidligere studerede han daglige seismogrammer i Memphis. Et par år senere, efter at han kom til Berozas laboratorium i Stanford, begyndte han at tænke på, hvordan man kunne løse problemet med at opdage kortikale vibrationer ved hjælp af maskinindlæring.

I deres papir forklarer forfatterne, at de har udviklet en ny model til påvisning af meget små jordskælv med svage signaler. De kalder det en jordskælvstransformator.

Ifølge Mousavi er modellen bygget på PhaseNet ogCRED og "inkluderer de algoritmer, som forskere laver i hånden." Især efterligner Earthquake Transformer den måde, som menneskelige analytikere ser på et sæt bevægelser som en helhed og derefter finpudser et lille stykke interesse.

Denne teknologi kan gøre det muligt for analytikerefokus på at udvinde information fra et mere komplet katalog over jordskælv. Den nye algoritme sparer forskernes tid, som de vil bruge på at analysere jordskælvets natur.

Læs også:

Den årlige mission i Arktis er afsluttet, og dataene er skuffende. Hvad venter menneskeheden?

Se den nye Hummer overvinde forhindringer på vejen, bevæge sig som en krabbe

På sygdom 3 mister de fleste COVID-19 patienter deres lugtesans og lider ofte af en løbet næse