โดย สเตฟานี ปัปปาส เผยแพร่เมื่อ 10 พฤษภาคม 2021วิธีการเรียนรู้เชิงลึกแบบใหม่อาจนําไปสู่การคาดการณ์ที่ดีขึ้นว่าแผ่นดินไหวจะสั่นคลอนบางภูมิภาคอย่างไรคนงานทางหลวงซ่อมแซมหลุมที่เปิดบนถนนอันเป็นผลมาจากแผ่นดินไหวเมื่อวันที่ 5 กรกฎาคม 2019 ในริดจ์เครสต์แคลิฟอร์เนียประมาณ 150 ไมล์ (241 กิโลเมตร) ทางตอนเหนือของลอสแองเจลิส (เครดิตภาพ: โรบิน เบ็ค/เอเอฟพี ผ่านเก็ตตี้ อิมเมจ)ระบบเตือนภัยแผ่นดินไหวล่วงหน้าที่ใช้ปัญญาประดิษฐ์ (AI) เพื่อคาดการณ์ว่าพื้นดินจะเคลื่อนที่อย่างไรในช่วง temblor สามารถแจ้งให้ทราบล่วงหน้าหลายวินาทีว่าการสั่นกําลังจะมาถึง
ระบบที่คล้ายกันที่ใช้พลังงานการประมวลผลแบบดั้งเดิมมากขึ้นมีอยู่แล้วบนชายฝั่งตะวันตก
ของสหรัฐอเมริกา มันเรียกว่า ShakeAlert และทํางานโดยการตรวจจับคลื่นลูกแรกของการเคลื่อนที่ของแผ่นดินไหวที่เรียกว่าคลื่น P – จากนั้นคํานวณเมื่อชุดของคลื่นที่ทําให้เกิดการสั่นส่วนใหญ่ – คลื่น S ที่เคลื่อนที่ช้ากว่า – จะมาถึง ระบบใหม่ในการพัฒนาเรียกว่า DeepShake และยังมีวัตถุประสงค์เพื่อให้คําเตือนไม่กี่วินาทีของการสั่นไหวที่ใกล้เข้ามาเมื่อแผ่นดินไหวได้เริ่มต้นขึ้น อย่างไรก็ตาม DeepShake ใช้เครือข่ายประสาทลึกซึ่งเป็นการเรียนรู้ AI ประเภทหนึ่งเพื่อระบุรูปแบบจากแผ่นดินไหวที่ผ่านมาเพื่อนายว่าการสั่นไหวจากแผ่นดินไหวใหม่จะเดินทางอย่างไร สิ่งนี้อาจนําไปสู่การประมวลผลที่เร็วขึ้นและความสามารถทั่วไปที่ง่ายขึ้นในภูมิภาคที่มีแนวโน้มที่จะเกิดแผ่นดินไหวที่แตกต่างกันที่เกี่ยวข้อง: แผ่นดินไหวที่ทําลายล้างมากที่สุดของสหัสวรรษนี้
”เมื่อเราออกเดินทางในโครงการนี้เป้าหมายของเราคือการเอาชนะสมการการคาดคะเนการเคลื่อนไหวภาคพื้นดินที่ใช้อยู่ในปัจจุบัน” เพื่อตั้งโปรแกรมระบบการแจ้งเตือนการสั่นคลอน Avoy Datta นักศึกษาปริญญาโทด้านวิศวกรรมไฟฟ้าของมหาวิทยาลัยสแตนฟอร์ดซึ่งเป็นส่วนหนึ่งของทีมที่พัฒนา DeepShake “พวกเขามักจะช้ามาก คุณต้องมีตัวทําละลายตัวเลขทํางานบนซูเปอร์คอมพิวเตอร์และพวกเขาอาจใช้เวลาหลายนาทีและชั่วโมงในการประมวลผล”ในทางตรงกันข้าม “ถ้าเราใช้รุ่น DeepShake 25 รุ่นจะใช้เวลาประมาณ 6.1 มิลลิวินาทีใน GPU การวิจัยเดียว [หน่วยประมวลผลกราฟิก]” ดัตต้าบอกกับไลฟ์ไซแอนซ์ “นี่จะเร็วมาก”
ในการนําเสนอเมื่อวันที่ 23 เมษายนในการประชุมเสมือนจริงของสมาคมแผ่นดินไหวแห่งอเมริกา Datta และเพื่อนร่วมงานของเขา Stanford ระดับปริญญาตรี Daniel Wu รายงานผลของพวกเขาหลังจากการฝึกอบรม DeepShake เพื่อทํานายการเคลื่อนไหวของแผ่นดินไหวใกล้ Ridgecrest แคลิฟอร์เนีย ริดจ์เครสต์อยู่ในเขตเฉือนแคลิฟอร์เนียตะวันออกที่คึกคักและในปี 2019 ลําดับของแผ่นดินไหวสั่นสะเทือนภูมิภาค แผ่นดินไหวขนาด 7.1 ที่ใหญ่ที่สุดและใหญ่ที่สุดตีเมื่อวันที่ 5 กรกฎาคม
Datta, Wu และเพื่อนร่วมงานของพวกเขาใช้ลําดับแผ่นดินไหวนี้เพื่อฝึกอบรม DeepShake
เพื่อทํานายการสั่นสะเทือนของพื้นดินในพื้นที่ พวกเขาเริ่มต้นด้วยชุดข้อมูลของแผ่นดินไหวมากกว่า 36,000 ครั้งที่ถล่ม Ridgecrest ตั้งแต่เดือนกรกฎาคมถึงกันยายน 2019 (ส่วนใหญ่ค่อนข้างเล็ก) พวกเขาป้อน 80% ของชุดข้อมูลลงในเครือข่ายประสาทลึกประหยัด 10% สําหรับการปรับแต่งพารามิเตอร์ของเครือข่ายและ 10% สุดท้ายสําหรับการทดสอบว่าผลลัพธ์ของเครือข่ายตรงกับความเป็นจริงหรือไม่
นักวิจัยตั้งโปรแกรมเครือข่ายเพื่อกําหนดน้ําหนักมากขึ้นให้กับแผ่นดินไหวขนาดใหญ่ในลําดับซึ่งค่อนข้างน้อยเพื่อให้สามารถทํางานได้ดีขึ้นเป็นระบบเตือนภัยล่วงหน้า – หลังจากทั้งหมดแผ่นดินไหวที่ใหญ่ที่สุดคือสิ่งที่ผู้คนต้องการคําเตือนเกี่ยวกับมากที่สุด
แม้จะมีความจริงที่ว่า DeepShake ไม่ได้รับข้อมูลเกี่ยวกับตําแหน่งหรือประเภทของแผ่นดินไหว แต่ก็สามารถเตือนการสั่นสะเทือนที่สถานีแผ่นดินไหวอื่น ๆ ในเครือข่ายระหว่าง 3 ถึง 13 วินาทีก่อนที่จะเกิดขึ้น Wu บอกกับ Live Science สิ่งนี้คล้ายกับจํานวนประกาศขั้นสูงด้วย ShakeAlert อย่างไรก็ตาม Wu และ Datta ไม่ได้มองว่าระบบอื่นนี้เป็นคู่แข่ง แต่พวกเขากล่าวว่าเทคโนโลยี DeepShake สามารถใช้เพื่อเสริม ShakeAlert นักวิจัยหวังว่าจะขยายการทดสอบไปยังความผิดพลาดอื่น ๆ และลําดับแผ่นดินไหวการเขย่าพื้นดินที่จุดใด จุดหนึ่งอาจเป็นเรื่องยากที่จะทํานาย ตัวอย่างเช่น ShakeAlert ไม่สามารถ
ส่งคําเตือนในช่วงที่เกิดแผ่นดินไหวที่ใหญ่ที่สุดในลําดับ Ridgecrest ในปี 2019 เนื่องจากการสั่นคาดว่าจะไม่ถึงเกณฑ์ของโปรแกรมในการ “สั่นแสง” ในบางพื้นที่ที่ประสบกับการสั่นของแสง นักพัฒนาของ ShakeAlert ได้ทําการเปลี่ยนแปลงตั้งแต่ปี 2019 เพื่อรวมบทเรียนเหล่านั้นที่เรียนรู้ ข้อดีของเครือข่ายการเรียนรู้เชิงลึกคือพวกเขารวมความแปลกประหลาดของเว็บไซต์โดยอัตโนมัติเพราะพวกเขาขึ้นอยู่กับประสบการณ์ที่ผ่านมาของการสั่นในสถานที่นั้น Wu กล่าวว่า ซึ่งแตกต่างจาก ShakeAlert ซึ่งใช้สมการสากลมากขึ้นด้วยสมมติฐานในตัว DeepShake จะต้องได้รับการฝึกฝนในแต่ละภูมิภาคที่ใช้ อย่างไรก็ตามการฝึกอบรมนี้จะจับรูปแบบที่สมการแบบดั้งเดิมอาจไม่
Credit : swarovskioutletstoresale.com syazwansarawak.com TheCancerTreatmentsBlog.com themchk.com tnnikefrance.com trtwitter.com TweePlebLog.com umweltakademie-blog.com vindsneakerkoopnl.com
