Использование разреженных данных для прогнозирования лабораторных землетрясений

Метод машинного обучения, разработанный для работы с разреженными данными, надежно предсказывает подвижки разломов в лабораторных условиях и может стать ключом к прогнозированию смещений по разломам и потенциально землетрясений в полевых условиях. Исследование команды из Лос-Аламосской национальной лаборатории (Los Alamos National Laboratory) развивает их предыдущий успех с подходами на основе данных, которые работали для медленных сейсмических событий, но не справлялись с крупномасштабными разломами с резкими подвижками (stick-slip), генерирующими относительно мало данных, но сильные землетрясения.

Чтобы компенсировать ограниченность данных, команда обучила сверточную нейронную сеть на результатах численного моделирования лабораторных землетрясений, а также на небольшом наборе данных из лабораторных экспериментов. После этого они смогли предсказать подвижки разлома в оставшихся, неизвестных сети, лабораторных данных. Это первое применение трансферного обучения (transfer learning) к численным симуляциям для прогноза подвижек в лабораторных экспериментах.

Этот подход позволяет обобщать от одной модели к другой, преодолевая проблему разреженности данных. В данном случае трансферное обучение означает тренировку нейронной сети на одном типе данных — результатах моделирования — и применение её к другому типу — экспериментальным данным, с дополнительным шагом обучения на небольшом подмножестве экспериментальных данных. После "перекрестного обучения" нейронная сеть точно предсказывала события подвижки разлома, когда ей предоставляли неизвестные данные из другого эксперимента.

Целью является прогнозирование движения на сейсмогенных разломах, таких как Сан-Андреас, где данные ограничены из-за редких землетрясений.