海嘯、洪水、火山、地震，各種惡劣災(zāi)害在地球上經(jīng)常上演。過(guò)去十年，地震和隨之而來(lái)的海嘯對(duì)受災(zāi)地造成了巨大的經(jīng)濟(jì)損失。地震通常是接連出現(xiàn)的，最先出現(xiàn)的是“主震”，隨后是一系列“余震”。雖然這些余震大部分都比主震要小，但在某些情況下，它們可能會(huì)讓重建工作變的更困難。雖然目前的技術(shù)已經(jīng)能預(yù)測(cè)余震的時(shí)間和大小了，但想知道發(fā)生在什么位置卻是有挑戰(zhàn)性的工作。

為此，哈佛大學(xué)和谷歌的機(jī)器學(xué)習(xí)專家一起組建團(tuán)隊(duì)，研究能否用深度學(xué)習(xí)技術(shù)預(yù)測(cè)余震可能發(fā)生的位置。今天，這篇論文發(fā)表在《Nature》上。為了得到這一結(jié)果，研究團(tuán)隊(duì)首先搜集了世界上100多次地震的信息，并建立了數(shù)據(jù)庫(kù)。

1992年南加利福尼亞州蘭德斯地震可視化，中間的彩色區(qū)域表示第一次地震，紅色方塊表示余震位置

根據(jù)數(shù)據(jù)集，研究人員用一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)分析主震和余震位置之間對(duì)應(yīng)的靜態(tài)應(yīng)力變化關(guān)系。算法可以辨別有用的形狀。最終我們得到了一個(gè)可以預(yù)測(cè)余震位置的模型。

對(duì)蘭德斯地震余震位置的預(yù)測(cè)。深紅色區(qū)域表示預(yù)測(cè)有余震的范圍，黑色的點(diǎn)表示實(shí)際發(fā)生的余震，黃線表示主震時(shí)發(fā)生斷層的位置

這項(xiàng)研究最后也帶來(lái)了意外的收獲：它可以幫我們確定地震的物理數(shù)值，這對(duì)研究地震的生成很重要。當(dāng)我們?cè)跀?shù)據(jù)集上應(yīng)用神經(jīng)網(wǎng)絡(luò)時(shí)，我們可以看到內(nèi)部因素的結(jié)合，它們是如何找到重要且有用的因素來(lái)幫助預(yù)測(cè)的。

下面就跟論智看看這篇論文大致講了什么吧：

具體方法

為了訓(xùn)練和測(cè)試該模型，我們用的是SRCMOD在線數(shù)據(jù)集，其中含有有限斷層模型。我們計(jì)算了SRCMOD中199個(gè)滑動(dòng)分部的應(yīng)力變化張量（其中包含118次主震）。以每次主震為中心，周圍5km×5km×5km的范圍內(nèi)為一個(gè)立方體單位。我們從國(guó)際地震中心獲得了主震過(guò)后一年內(nèi)的余震記錄，將它們表示在每個(gè)立方體單位內(nèi)。

通過(guò)這種表示方法，余震預(yù)報(bào)可以看作是大型二元分類問(wèn)題，我們的目標(biāo)就是精準(zhǔn)分辨每個(gè)立方體單位內(nèi)是否會(huì)有余震發(fā)生。

神經(jīng)網(wǎng)絡(luò)就是應(yīng)對(duì)這種問(wèn)題的最好算法。這里使用的神經(jīng)網(wǎng)絡(luò)是全連接的，共有六個(gè)隱藏層，每個(gè)隱藏層中包含50個(gè)神經(jīng)元，并具有雙曲正切函數(shù)（總共有13451個(gè)權(quán)重和偏值）。我們用Keras搭建神經(jīng)網(wǎng)絡(luò)，用Theano訓(xùn)練它。在訓(xùn)練時(shí)，有10%的訓(xùn)練數(shù)據(jù)樣本用于驗(yàn)證。

第一層網(wǎng)絡(luò)處理的是神經(jīng)網(wǎng)絡(luò)的輸入，在該案例下，輸入的是在中心計(jì)算的應(yīng)力變化張量的六個(gè)獨(dú)立分量的大小及其負(fù)值。在解決二元分類問(wèn)題的神經(jīng)網(wǎng)絡(luò)中，最后一層通常是單一sigmoid函數(shù)。而在我們的案例中，最后一個(gè)神經(jīng)元的輸出可以理解成一個(gè)單元內(nèi)生成一次或多次余震的概率。

模型評(píng)估

我們用ROC分析對(duì)余震預(yù)測(cè)模型進(jìn)行了評(píng)估，ROC曲線廣泛用于評(píng)測(cè)醫(yī)療診斷檢測(cè)的有效性。結(jié)果如圖1所示：

圖1，上排為實(shí)際地震情況，下排為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

ROC分析結(jié)果表示，神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)比目前使用的方法效果要好，神經(jīng)網(wǎng)絡(luò)模型的AUC分?jǐn)?shù)為0.849，而傳統(tǒng)的方法AUC分?jǐn)?shù)僅為0.583。

除此之外，我們運(yùn)用排列測(cè)驗(yàn)法檢驗(yàn)神經(jīng)網(wǎng)絡(luò)在測(cè)試數(shù)據(jù)集上的數(shù)據(jù)重要性。對(duì)每個(gè)測(cè)試集中的主震分布，我們會(huì)隨機(jī)生成5000個(gè)位置，然后再計(jì)算出各自的AUC值。將這些值與實(shí)際的AUC比較，生成一個(gè)P值。

另外，我們發(fā)現(xiàn)，經(jīng)過(guò)學(xué)習(xí)的余震發(fā)生模式是可以用物理解釋的：剪應(yīng)力的最大變化、Von Mises屈服準(zhǔn)則以及應(yīng)力變化張量的獨(dú)立元素絕對(duì)值之和都能解釋神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中98%的方差。這種機(jī)器學(xué)習(xí)做出的決策不僅能提高對(duì)余震發(fā)生位置預(yù)測(cè)的精確度而且還能確定它蘊(yùn)涵的能量。

結(jié)語(yǔ)

雖然這一系統(tǒng)還并不精準(zhǔn)，但為未來(lái)的研究打下了基礎(chǔ)。也許有一天，機(jī)器學(xué)習(xí)預(yù)報(bào)器能夠用在災(zāi)難應(yīng)急中，對(duì)危險(xiǎn)區(qū)域的疏散轉(zhuǎn)移計(jì)劃提供幫助。