Oprettelse af en virtuel seismolog

At forstå jordskælv er et udfordrende problem - ikke kun fordi de er potentielt farlige, men også fordi de er komplicerede fænomener, som er svære at studere. Fortolkning af det massive, ofte indviklede datasæt, der registreres af jordskælvsovervågningsnetværk, er en stor opgave for seismologer, men den indsats, der er involveret i at producere nøjagtige analyser, kan forbedre udviklingen af ​​pålidelige jordskælvs tidlige varslingssystemer markant.

Et lovende nyt samarbejde mellem Caltech-seismologer og computerforskere, der bruger kunstig intelligens (AI) - computersystemer, der er i stand til at lære og udføre opgaver, som tidligere krævede mennesker - har til formål at forbedre de automatiserede processer, der identificerer jordskælvsbølger og vurderer styrken, hastighed, og rysteretning i realtid. Samarbejdet omfatter forskere fra afdelingerne for geologiske og planetariske videnskaber og teknik og anvendt videnskab, og er en del af Caltechs AI4Science Initiative til at anvende AI på de big-data-problemer, som videnskabsmænd over hele instituttet står over for. Drevet af avanceret hardware og maskinlæringsalgoritmer, moderne kunstig intelligens har potentialet til at revolutionere seismologiske dataværktøjer og gøre os alle lidt mere sikre mod jordskælv.

For nylig, Caltechs Yisong Yue, en assisterende professor i databehandling og matematiske videnskaber, satte sig ned med sine samarbejdspartnere, Forskningsprofessor i geofysik Egill Hauksson, Postdoktor i geofysik Zachary Ross, og Associate Staff Seismologist Men-Andrin Meier, at diskutere det nye projekt og fremtiden for kunstig intelligens og jordskælvsvidenskab.

Hvilket seismologisk problem inspirerede dig til at inkludere AI i din forskning?

Meier:En af de ting, jeg arbejder på, er tidlig varsling om jordskælv. Tidlig varsling kræver, at vi forsøger at opdage jordskælv meget hurtigt og forudsige den rystelse, som de vil frembringe senere, så du kan få et par sekunder til måske titusinder af sekunders advarsel, før rystelsen starter.

Hauksson:Det skal gøres meget hurtigt – det er spillet. Jordskælvets bølger vil først ramme den nærmeste overvågningsstation, og hvis vi kan genkende dem med det samme, så kan vi sende en alarm ud, inden bølgerne rejser længere.

Meier:Du har kun et par sekunders seismogram til at afgøre, om det er et jordskælv, hvilket ville betyde at udsende en advarsel, eller hvis det i stedet er et generende signal — en lastbil, der kører forbi et af vores seismometre eller sådan noget. Vi har for mange falske klassifikationer, for mange falske advarsler, og det kan folk ikke lide. Dette er et klassisk maskinlæringsproblem:du har nogle data, og du skal lave en realistisk og præcis klassificering. Så, vi nåede ud til Caltechs afdeling for databehandling og matematisk videnskab (CMS) og begyndte at arbejde på det med dem.

Hvorfor er kunstig intelligens et godt værktøj til at forbedre jordskælvsovervågningssystemer?

Yue:Grundene til, at AI kan være et godt værktøj, har at gøre med skala og kompleksitet kombineret med en rigelig mængde data. Jordskælvsovervågningssystemer genererer massive datasæt, der skal behandles for at give nyttig information til videnskabsmænd. AI kan gøre det hurtigere og mere præcist end mennesker kan, og endda finde mønstre, der ellers ville undslippe det menneskelige øje. Desuden, de mønstre, vi håber at udvinde, er svære for regelbaserede systemer at fange tilstrækkeligt, og så de avancerede mønster-matchende evner ved moderne deep learning kan tilbyde overlegen ydeevne end eksisterende automatiserede jordskælvsovervågningsalgoritmer.

Ross:I en stor efterskælvssekvens, for eksempel, du kunne have begivenheder, der er fordelt hvert 10. sekund, hurtig brand, hele dagen lang. Vi bruger måske 400 stationer i det sydlige Californien til at overvåge jordskælv, og bølgerne forårsaget af hvert enkelt jordskælv vil ramme dem alle på forskellige tidspunkter.

Yue:Når du har flere jordskælv, og sensorerne skyder alle på forskellige steder, du ønsker at kunne unscramble, hvilke data der hører til hvilket jordskælv. Det tager tid at rydde op og analysere data. Men når du først træner en maskinlæringsalgoritme - et computerprogram, der lærer ved at studere eksempler i modsætning til gennem eksplicit programmering - for at gøre dette, det kunne foretage en vurdering rigtig hurtigt. Det er værdien.

Hvordan vil kunstig intelligens ellers hjælpe seismologer?

Yue:Vi er ikke kun interesserede i det lejlighedsvise meget store jordskælv, der sker med nogle få års mellemrum. Vi er interesserede i de jordskælv af alle størrelser, der sker hver dag. AI har potentialet til at identificere små jordskælv, der i øjeblikket ikke kan skelnes fra baggrundsstøj.

Ross:I gennemsnit ser vi omkring 50 jordskælv hver dag i det sydlige Californien, og vi har et mandat fra U.S. Geological Survey til at overvåge hver enkelt. Der er mange flere, men de er bare for små til, at vi kan opdage med eksisterende teknologi. Og jo mindre de er, jo oftere de forekommer. Det, vi forsøger at gøre, er at overvåge, lokalisere, opdage, og karakteriser hver og en af ​​disse begivenheder for at bygge "jordskælvskataloger." Al denne analyse begynder at afsløre de meget indviklede detaljer i de fysiske processer, der driver jordskælv. Disse detaljer var ikke rigtig synlige før.

Hvorfor har ingen anvendt AI til seismologi før?

Ross:Først i løbet af det sidste eller to år er seismologien begyndt at overveje AI-teknologi for alvor. En del af det har at gøre med den dramatiske stigning i computerens processorkraft, som vi har set inden for det seneste årti.

Hvad er det langsigtede mål med dette samarbejde?

Meier:I sidste ende, vi ønsker at bygge en algoritme, der efterligner, hvad menneskelige eksperter gør. En menneskelig seismolog kan mærke et jordskælv eller se et seismogram og straks fortælle en masse ting om det jordskælv bare af erfaring. Det var virkelig svært at lære det til en computer. Med kunstig intelligens, vi kan komme meget tættere på, hvordan en menneskelig ekspert ville behandle problemet. Vi kommer meget tættere på at skabe en "virtuel seismolog."

Hvorfor har vi brug for en "virtuel seismolog?"

Yue:Fundamentalt både inden for seismologi og videre, grunden til at du ønsker at gøre denne slags ting er skala og kompleksitet. Hvis du kan træne en AI, der lærer, så kan du tage et specialiseret færdighedssæt og gøre det tilgængeligt for enhver. Det andet spørgsmål er kompleksitet. Du kunne få et menneske til at se på detaljerede seismiske data i lang tid og afsløre små jordskælv. Eller du kunne bare få en algoritme til at lære at udvælge de mønstre, der betyder noget meget hurtigere.

Meier:Den detaljerede information, som vi indsamler, hjælper os med at finde ud af fysikken i jordskælv – hvorfor de flyder ud langs visse forkastninger og udløser store jordskælv langs andre, og hvor ofte de forekommer.

Vil det at skabe en "virtuel seismolog" betyde enden for menneskelige seismologer?

Ross:Efter at have talt med en række studerende, Jeg kan med ret stor tillid sige, at de fleste af dem ikke ønsker at lave katalogiseringsarbejde. [griner.] De ville hellere lave mere spændende arbejde.

Yue:Forestil dig, at du er musiker, og før du kan blive musiker, først skal du bygge dit eget klaver. Så du bruger fem år på at bygge dit klaver, og så bliver man musiker. Nu har vi en automatiseret måde at bygge klaverer på – skal vi ødelægge musikernes job? Ingen, vi styrker faktisk en ny generation af musikere. Vi har andre problemer, som de kunne arbejde på.