تشخیص رویدادهای لرزهای ماننده زلزلهی ۹ ریشتری که در سال ۲۰۱۱ سواحل ژاپن را تخریب کرد، چندان دشوار نیستند، اما رویدادهای کوچک به سختی قابل شناساییاند، مانند خرده زمین لرزهها – زمین لرزههایی با شدت کمتر از ۲ ریشتر که به ندرت باعث صدمه زدن به اموال میشوند. در حقیقت در نتیجهی سر و صداهای پس زمینه، وقایع کوچک، و مثبت کاذب، این ریزلرزهها همیشه با سیستمهای لرزهای قابل برداشت نیستند.
راه حل ممکنی برای این مسئله در مقالهی جدیدی از دانشگاه استنفورد توضیح داده شد. در این راه حل، دانشمندان سیستم هوش مصنوعی را توسعه دادند – این سیستم Cnn-Rnn Earthquake Detector یا CRED نامیده میشود – که قادر به جداسازی و تشخیص مجموعهای از سیگنالهای لرزهای از اطلاعات تاریخی و پیوسته است.
این سیستم بر اساس تکنولوژی توسعه یافته در همکاری بین دانشگاه هاروارد و گوگل ساخته شد که در ماه آگوست مدل هوش مصنوعی را ایجاد کرد که قادر به پیشبینی موقعیت پسلرزهها تا بیش از یک سال پس از یک زمین لرزهی بزرگ بود.
سیستم محققان استنفورد شامل دو نوع لایهی شبکهی عصبی (گرههای پردازشی متصل به هم که تا حدودی عملکرد نورونهای درون مغز را شبیهسازی میکنند) است: شبکههای عصبی پیچشی و شبکههای عصبی تکرار شونده. نوع اول از ویژگیهای لرزهنگار استفاده میکند، درحالیکه شبکهی عصبی دومی – که توانایی ترکیب حافظه و ورودیها را برای بهبود دقت پیشبینیهایش دارد – خصوصیات تکرار شونده از سیستمهای لرزهنگار را میآموزد.
برای آموزش و اعتبارسنجی سیستم هوش مصنوعی تشخیص زلزله، دانشمندان اطلاعات پیوسته را از مرکزی واقع در آرکانزاس، در سال ۲۰۱۱ برای فهرستی شامل ۳۷۸۸ رویداد تهیه کردند. علاوه بر این، آنها از اطلاعات به دست آمده از ۸۸۹ ایستگاه نظارت در کالیفرنیای شمالی که شامل ۵۵۰ هزار رویداد ۳ ثانیهای میشد، استفاده کردند.
راه حل ممکنی برای این مسئله در مقالهی جدیدی از دانشگاه استنفورد توضیح داده شد. در این راه حل، دانشمندان سیستم هوش مصنوعی را توسعه دادند – این سیستم Cnn-Rnn Earthquake Detector یا CRED نامیده میشود – که قادر به جداسازی و تشخیص مجموعهای از سیگنالهای لرزهای از اطلاعات تاریخی و پیوسته است.
این سیستم بر اساس تکنولوژی توسعه یافته در همکاری بین دانشگاه هاروارد و گوگل ساخته شد که در ماه آگوست مدل هوش مصنوعی را ایجاد کرد که قادر به پیشبینی موقعیت پسلرزهها تا بیش از یک سال پس از یک زمین لرزهی بزرگ بود.
سیستم محققان استنفورد شامل دو نوع لایهی شبکهی عصبی (گرههای پردازشی متصل به هم که تا حدودی عملکرد نورونهای درون مغز را شبیهسازی میکنند) است: شبکههای عصبی پیچشی و شبکههای عصبی تکرار شونده. نوع اول از ویژگیهای لرزهنگار استفاده میکند، درحالیکه شبکهی عصبی دومی – که توانایی ترکیب حافظه و ورودیها را برای بهبود دقت پیشبینیهایش دارد – خصوصیات تکرار شونده از سیستمهای لرزهنگار را میآموزد.
برای آموزش و اعتبارسنجی سیستم هوش مصنوعی تشخیص زلزله، دانشمندان اطلاعات پیوسته را از مرکزی واقع در آرکانزاس، در سال ۲۰۱۱ برای فهرستی شامل ۳۷۸۸ رویداد تهیه کردند. علاوه بر این، آنها از اطلاعات به دست آمده از ۸۸۹ ایستگاه نظارت در کالیفرنیای شمالی که شامل ۵۵۰ هزار رویداد ۳ ثانیهای میشد، استفاده کردند.