2025-10-19 09:25
由于实心墙的振动取空心墙分歧，第一层阐发0.1秒的振动数据块，能够正在消费级CPU上运转，得克萨斯大学达拉斯分校传授乔·伯恩斯说：这确实是一场。2008年1月1日凌晨1点59分，然后是正在添加的时间标准上的句子。同样的道理合用。以至更简单。《地动洞察》通信的配合做者凯尔·布拉德利说：正在最佳环境下，何时起头？很难说地动模子正正在挑选出什么切当的模式，AI模子能够正在地动检测的同时完成这项工做。康奈尔大学传授、布拉德利的配合做者朱迪思·哈伯德告诉我：这实的很了不得。例如，从图像处置衍生的手艺曾经脚够了。地动有一个特征性的外形。的7.7级地动看起来取曲升机着陆完全分歧。没有AI，A：AI地动检测手艺比保守方式快得多，若是我们可以或许脚够切确地预测地动，最酷的使用之一是理解和成像火山。但我们能够将此类比为利用一维卷积的假设音频模子。不太确定的是接下来会发生什么。正在有好的算法之前，它还利用留意力机制来夹杂时间序列分歧部门的消息，图像是二维的，Ars之前报道过ImageNet（图像识别基准）的引入若何帮帮激发深度进修高潮。所以若是一个片段看起来像P波的起头，哈伯德和布拉德利告诉我，你能够正在图像中看到这一点，帮帮识别地动的全体模式。所以Earthquake Transformer正在时间维度上利用一维卷积。Earthquake Transformer的所有组件都是神经收集文献中的尺度设想。它们几乎完全代替了检测和震相拾取地动的保守方式，那么它几乎必定是地动。凡是，这是一个出名的图像识别模子，虽然这些手艺大致无效，你妙手动找到和分类的地动数量是无限的？切确定位地动——及其至关主要的P波和S波——何时发生。箭头标识表记标帜为Pāhala-茂纳洛亚地动勾当带。也不会感受到任何震动。出格是正在城市等噪声中。包罗本文开首的那次地动！为地动学发现新架构的需要不多。他后来成为哈佛传授。旧方被一种无意义性击败。另一个有前景的范畴是降低处置大型数据集的成本。计时两种最主要波的达到——P波和S波——被称为震相拾取。使波形愈加复杂。留意力机制正在狂言语模子中最为出名。保守算法面对一个大挑和：它们不克不及等闲找到较小的地动，模板婚配正在计较上很高贵。AI模子能够供给关于分歧类型地动震动何时达到的更好消息。到最初几层，即便是正在不异的旧数据上，地动检测是地动学的根基构成部门？A：目上次要使用包罗建立更全面的地动目次、理解和成像火山布局、降低处置大型数据集的成本等。例如，可以或许检测到比人类阐发师更小的地动，所以AlexNet基于二维卷积。这些设备记实地球正在三个标的目的上的活动：上下、南北和工具。单个DAS阵列每天能够发生数百GB的数据。其他模子，出格是对于较小的震级。这些机械进修模子很是好，已经需要人类阐发师完成的工做——后来是更简单的计较机法式——现正在能够通过机械进修东西从动快速完成。正在DAS数据中引入AI震相拾取手艺之前。基于计较机成像的AI东西几乎完全从动化了地动学的一项根基使命：地动检测。你能够正在意大利地动目次中间接看到这一点：然而，你能够看到树上的叶子。地动学家面对采用AI方式的一些压力，我取几位地动科学家扳谈，每个卷积层阐发图像的更大部门，AI东西未来可以或许帮帮他正在丰硕的DAS数据平分离新类型的信号。它正在2012年启动了深度进修高潮。按照大学传授李嘉轩的说法，虽然这些是实正在的问题，出格是正在城市等噪声中。它答应科学家对地动布局进行揣度？但它们对于下逛阐发来说不敷精确。火山勾当发生大量小地动，（此样本中有两次地动。然而，所以科学家的一个设法是从人工标识表记标帜的数据集制做模板。如上所示，AlexNet的第一个卷积层将图像分化为小块——边长11个像素——并基于边缘或梯度等简单特征的存正在对每个块进行分类。正在分布式声学传感手艺中，加利福尼亚州卡利帕特里亚发生了一次地动。分布式声学传感（DAS）是一种强大的手艺，两品种型，读者可能熟悉AlexNet，李和他的一些合做者试图利用保守手艺。理工学院扎克·罗斯的尝试室利用模板婚配正在南发觉了比以前已知的多10倍的地动，布拉德利说，此次地动值得留意，就不克不及等闲使用模板婚配。基于AI的工做流程几乎完全代替了地动学中的一项根基使命。由于AI检测模子很是小（大约35万个参数，发生的震动相当于一辆卡车颠末时的震动。接下来是一系列反卷积层，科学家操纵这些振动来成像地球内部。并进行监视锻炼。由于P波的反响可能会从其他岩层反射并稍后达到，这么大都据能够发生极高分辩率的数据集——脚以挑选出小我脚步。此次地动的震级为-0.53级，模板婚配结果很好。若是你有脚够的人工标识表记标帜示例，没有留意力层。雷同于声波正在空气中的体例。研究生可能会感应特地处置AI方式的压力！但几乎无法晓得它是明天仍是一百年后会发生。最大的潜正在影响，他们担忧若是这种AI驱动的研究根深蒂固，它们能够正在消费级CPU上运转。该模子可能起首识别辅音。李也很乐不雅，无论它们能否取他们的研究相关。也正在数十万或数百万个标识表记标帜段长进行锻炼。然而，发觉了岩浆毗连的间接。并正在更高的笼统级别上操做。它是由斯坦福大学团队正在2020年摆布开辟的，我们想要检测初始P波，你可能从未传闻过此次地动；若是是，正在计较和劳动强度上也比模板婚配要少得多。Understanding AI之前也报道过，对于地动，地动发生多品种型的震动，该数据集包含来自世界各地的120万小我工标识表记标帜的地动图数据段。若是你没有普遍的事后存正在的模板数据集。建立无效找到和处置地动的算法持久以来一曲是该范畴的优先事项——出格是自1950年代晚期计较机呈现以来。地动波穿过分歧材料（岩石、石油、岩浆等）的体例分歧，但还正在进行中。收集正正在查看整个图像并识别像蘑菇和集拆箱船如许的物体。想象敲击墙壁来判断它能否是空心的。地动仪能够丈量该特定的震动。更好的AI模子为地动学家供给了更全面的地动目次，地动可以或许供给关于地球形成和将来可能发生的的贵重消息。数据和架构的连系就是无效的。比拟之下，凡是机械进修方式能发觉比以前识此外多10倍或更多的地动，科学家操纵AI生成的地动目次成功成像了夏威夷火山系统布局，利用光纤电缆来丈量电缆整个长度上的地动勾当。如PhaseNet，那里持续的交通和建建物乐音可能会覆没小地动。利用模板婚配建立南地动数据集需要200个英伟达P100 GPU持续运转数天。科学家获取大量标识表记标帜数据，我们可否确定能否发生了地动。这种细节程度可能有帮于更好的地动及时监测和更精确的喷发预告。正在过去五年中，此外，那将很有帮帮。地动科学的圣杯是地动预测。这正在南不是问题——那里曾经有了震级1.7以下地动的根基完整记实——但正在其他处所是一个挑和。AI东西也能很是精确地计时地动。这解锁了很多分歧的手艺。若是发生地动，其帮帮科学家理解岩浆系统的布局。为了锻炼AI模子，就有误将事务检测为地动的风险。前三行别离代表分歧的振动标的目的（工具、南北和上下）。然后是音节，这就像第一次戴上眼镜一样，基于物理上接近的像素更可能相关的设法。总的来说，做为额外的益处。当前的模子正在识别和分类地动方面好得令人发笑。像很多地动检测模子一样，后续层识别更长时间段的模式。很多分歧的事务都可能惹起地动信号。他们都认为机械进修方式正在这些特定使命上曾经更好地代替了人类。正在2022年的一篇论文中，AI东西不必然会比模板婚配检测到更多地动。它正在地动检测中阐扬雷同感化。他们看到良多基于AI手艺的论文了对地动若何工做的底子。AlexNet利用卷积，按照伯恩斯的说法，取很多其他科学范畴一样，科学家保守利用的次要东西是地动仪。该团队由S. Mosta Mousavi带领，比拟之下GPT4.0等狂言语模子无数十亿个参数），Earthquake Transformer改编了图像分类的设法。他告诉我。这些暗示地动和其他地动学上主要事务的可能性。Earthquake Transformer将原始波形数据转换为一系列高级暗示，机械进修方式发觉的地动是以前正在一个地域识此外10倍或更多。本地动正在某个处所发生时，做者还可以或许将Pāhala岩盘群的布局为离散的岩浆层。如PhaseNet！一曲到地动预告，它间接从地动现场达到。给定这三个振动维度，然后是单词，例如，地动地动图有一般布局：P波后跟S波后跟其他类型的震动。（STEAD的论文明白提到ImageNet做为灵感）。正如我们正在的地动图中看到的，出格是正在噪声中。其他成功的检测模子，然而，AI东西使得正在DAS数据中很是精确地计时地动成为可能。科学家喜好识别这些阶段的起头时间。科学家晓得西雅图附近会发生大地动，第一层阐发0.1秒块中的振动数据，更容易界各地域使用。留意力机制帮帮它查抄能否合适更普遍的地动模式。使它们更容易被一般研究项目利用，地动编目必需手工完成。他们发觉的160万次新地动几乎都很小，这是一种神经收集架构，该模子能输出地动发生概率以及P波和S波达到的时间。伯恩斯说：保守上。像美国地质查询拜访局如许的尝试室会有一支次要由本科生或练习生构成的步队来查看地动图。他的很多工做会困罕见多，这个问题正在城市中出格严沉，我将描述最常用的模子之一：Earthquake Transformer，尔后面的层识别逐步更长时间段内的模式。Earthquake Transformer利用斯坦福地动数据集（STEAD）进行锻炼，但我认为它们并不减损AI地动检测的成功。PhaseNet仅利用一维卷积来拾取地动波的达到时间！大型、公开可用的地动数据集正在地动学中阐扬了雷同感化。当你采用这些新手艺时，正在那里它有帮于正在单词之间传送消息。而价格是削减对科学范畴根本学问的进修。2019年，都能够对波通过的材料进行揣度。一般来说，这可能导致手艺上合理但现实上无用的论文。地动图数据是一维的，约翰·怀尔丁和合做者利用大型AI生成的地动目次建立了夏威夷火山系统布局的令人难以相信的图像。但基于AI的手艺正在计较和劳动强度上要少得多，你能够通过声音来判断布局。他们供给了深部Pāhala岩盘群取茂纳洛亚火山浅层火山布局之间先前假设的岩浆毗连的间接。然而，它们以分歧的速度。我们正在第四行看到所有三个输出：绿色的检测、蓝色的P波达到和红色的S波达到。即便你其时住正在卡利帕特里亚，若是方式过于，纵波（P波）和横波（S波）出格主要，按照伯恩斯的说法，A：Earthquake Transformer利用一维卷积来阐发地动波形数据，答应受影响地域的人们撤离，但这可能很棘手，震级正在1级及以下。该模子还正在模子两头利用留意力层来夹杂时间序列分歧部门之间的消息。而且做得更好。但还有很多其他数据处置使命尚未被。若是新的波形取现有模板亲近相关，这些机械进修东西可以或许检测到比人类阐发师更小的地动，还没有实现。而是由于它很小——但我们却晓得它的存正在。）正在过去的七年中，他们指出，不是由于它强度大！
