Гугл и Харвард заједно користе дубоко учење за предвиђање накнадних потреса после земљотреса

Још један пример како вештачка интелигенција проналази нове и корисне узорке у комплексним скуповима података. Свима је познато да после главног земљотреса, опасност није прошла. Мали, пропратни удари које је покренуо главни талас могу још месецима да тутње по угроженој области и поруше грађевине које су озбиљно оштетио главни налет. Научници донекле могу да предвиде снагу и време тих додатних потреса, али прецизно утврђивање локације увек је било прилично тешко. Ново истраживање које су спровели научници са Харварда и из Гугла показује да би вештачка интелигенција могла да буде од помоћи у том случају.

У извештају који је објављен у часопису „Природа“ (Nature) истраживачи су показали како дубоко учење може да помогне у предвиђању локације накнадних потреса много поузданије од постојећих модела. Научници су обучили неуронску мрежу да тражи узорке у бази података која садржи више од 131.000 догађаја који се састоје од „главног потреса и накнадног потреса“ пре него што су тестирали њену моћ предвиђања на бази података која се састоји од 30.000 сличних парова.

Мрежа дубоког учења је била много поузданија од најбољег постојећег модела. На скали од 0 до 1, где 1 означава савршено прецизан модел, а 0,5 вероватноћу која се јавља при бацању новчића – постојећи модел је постигао резултат од 0,583, а нови систем заснован на вештачкој интелигенцији 0,849. Професор Брендан Мид са Харварда, који је помогао аутору извештаја, каже да резултати обећавају. „Постоје три податка која желите да сазнате о земљотресима“, каже Мид. „Када ће се догодити, колико ће бити јаки и где ће се догодити. Пре овог истраживања, имали смо емпиријске законе за време удара земљотреса и њихову јачину. Сад се бавимо и трећим податком, а то је где би могли да се догоде.“

Вештачка интелигенција је успешна у овом домену захваљујући једној од основних предности технологије, а то је способност да открије узорке који су остали непримећени у комплексним скуповима података. То је посебно важно у сеизмологији, где је невероватно тешко уочити везе између података. Сеизмички догађаји обухватају сувише променљивих почевши од састава тла у различитим областима, преко типова интеракције између сеизмичких плоча до начина преношења енергије путем таласа кроз земљу. Изузетно је тешко све то повезати. Научници кажу да њихов модел дубоког учења врши предвиђања узимајући у обзир фактор који је познат као „фон Мисесов критеријум попуштања“, комплексни прорачун који се користи да би се предвидело кад ће материјали попустити под одређеним утицајем. Мид је напоменуо да се тај фактор често користи у металургији, али никад није био популаран у науци која се бави земљотресима. После проналаска новог модела, научници могу да утврде колико им може користити.

Упркос успеху овог истраживања, модел се још дуго неће бити примењив у реалним ситуацијама. За почетак, модел заснован на вештачкој интелигенцији усредсређује се само на накнадне потресе узроковане трајним променама у земљишту, које су познате као статичко оптерећење. Међутим, пратећи потреси могу бити изазвани и подземном тутњавом која се дешава касније и позната је као динамичко оптерећење. Постојећи модел је сувише спор да би могао успешно да функционише у реалном времену. То је веома важно јер се већина пратећих потреса дешава дан после главног удара, пре него што им се учесталост смањи за половину сваког наредног дана. Потребно је још много рада и истраживања да бисмо могли да предвидимо накнадне потресе, али потенцијал машинског учења овде може да дође до изражаја.

Рачунарски факултет Рачунарски факултет 011-33-48-079