AI落地应用：AI解决地震预测难题

　　人工智能的技术发展，最终还是要看技术的落地范畴，而根据媒体报道，近日加州理工大学运用了人工智能技术进行了地震。

　　地震模型难以建立成难题

　　地震的成因非常复杂。人类对地质观察的知识和数据积累并不全面和系统，很多地震周期跨越几千年，但很多地方的地质学家只积累了100年左右的数据，虽然有的根据现有数据，提供了特定规模的地震在未来数年到数十年之间发生在某区域的机率，对某些区域的地震预报有实用价值，然而这些技术的可靠性既未确立，也无法重制，很难建立起具有实际指导意义的模型。

　　未能准确判断出一次地震发生的时间、地点和规模，科学家试图找到地震发生的前兆。但目前为止还没有哪种现象被证实一定会发生在其他地震之前。虽然现在科学家可以结合一些监测数据和自然现象来分析哪些迹象和地震有关，关联度有多大，初步得出了一些小的结论，但仍然停留在很初级的研究阶段，并没有证实具有普遍性，只有研究价值没有应用价值。

　　地震预警系统几秒钟内发出警报

　　据悉，加州理工学院地震学实验室的工程师们正在使用英伟达的 GPU、AI 和深度学习开发一种更智能的地震预警系统，这种系统可能在几秒钟内发出警报。加州理工学院地震学实验室博士后 Zachary Ross 表示，他正在开发一个神经网络，并利用三个 NVIDIA GPU 的计算资源，从南加州地震记录的 25 万多个地震记录数据库中分析信息。

　　人工智能系统能够提取模型特征

　　而地震探测器(CRED)的人工智能系统 ，可以识别一定范围内的历史连续地震信号数据。它建立在哈佛和谷歌的工作基础之上，后者在8月创建了一个人工智能模型，能够预测大地震发生后一年内余震的位置。研究人员开发的人工智能模型主要包括两种神经网络层(互连的处理节点组成，模仿大脑中神经元的功能 )：卷积神经网络和递归神经网络。前者从地震仪数据中提取特征，而后者学习地震仪数据的顺序特征，并且可以结合记忆输入提高其预测的准确性。

　　两种神经网络共同构成了一个残差网络框架(一种缓解多层神经网络常见问题的架构)。通常，随着分层节点数量的增加，会导致精度度饱和并降低。但是由于残差学习函数自身处理函数的方式，可以帮助神经网络既能够保持准确性，又能够从数据集中学习更多高级特征。另外一点好处就是，它更容易得到优化。

　　此前，该研究人员表示，为了训练和验证人工智能地震探测系统的有效性，研究人员采集了2011年间记录在阿肯色州Guy-Greenbrier的连续数据，其中包含3,788个地震事件，此外还有北加州889个监测站提供的550,000条平均时长30秒、3个分量级的地震数据。

　　取共计大约550,000条数据中的50000条样本作为测试集，用于评估性能。结果显示，无论地震事件是较大、较小、局部还是具有高度的背景噪声，网络模型都能够准确预测出地震信号。

　　如果使用该模型进行分析预测，也意味着人工智能的落地使用也更进一步，对于促进人工智能技术研究也具有很深的意义。