Investigadores de UCSC y TU Munich proponen RECAST un nuevo modelo basado en el aprendizaje profundo para predecir réplicas

UCSC and TU Munich researchers propose RECAST, a new deep learning-based model for predicting replicas.

La Inteligencia Artificial encuentra su camino en casi todos los campos posibles. Ha habido una amplia investigación en este dominio. Todavía hay mucho por descubrir. Los modelos de Aprendizaje Automático y Aprendizaje Profundo también desempeñan un papel importante en la Sismografía, ya que se utilizan para predecir los terremotos. Durante muchos años anteriores, los modelos de predicción de réplicas de terremotos han permanecido iguales. Estos viejos modelos funcionan bien con conjuntos de datos más pequeños, pero tienen dificultades con conjuntos de datos más grandes.

Para solucionar este problema, investigadores de la Universidad de California, Santa Cruz, y la Universidad Técnica de Munich crearon un nuevo modelo que utiliza Aprendizaje Profundo llamado RECAST. Utilizaron Aprendizaje Profundo detrás de este modelo, ya que es útil para manejar conjuntos de datos más grandes. El nuevo modelo fue efectivo en comparación con el modelo anterior, ya que derrotó al antiguo en todos los sentidos posibles. El antiguo modelo de predicción de terremotos, ETAS, fue creado hace algunos años cuando estos investigadores tenían datos limitados. Pero hoy en día, tenemos conjuntos de datos enormes, en los cuales el viejo modelo no podía trabajar. El antiguo modelo ETAS es frágil y difícil de usar. Para mejorar la predicción de terremotos con aprendizaje profundo, necesitamos una mejor manera de comparar modelos. El modelo RECAST fue probado tanto con datos sísmicos sintéticos como reales del sur de California. Se desempeñó ligeramente mejor que el modelo ETAS, especialmente con más datos, y también fue más rápido.

Los investigadores han intentado utilizar modelos de Aprendizaje Automático y Aprendizaje Profundo para predecir terremotos antes, pero la tecnología no estaba del todo lista. El modelo RECAST es más preciso y puede trabajar fácilmente con diferentes conjuntos de datos de terremotos. Esta flexibilidad podría revolucionar la predicción de terremotos. Con el aprendizaje profundo, los modelos pueden manejar mucha información nueva e incluso combinar información de varias regiones para predecir terremotos en áreas menos estudiadas. Esta información sobre los modelos de Aprendizaje Profundo fue muy útil y estaba siendo investigada. Los investigadores también observaron que un modelo entrenado con datos de Nueva Zelanda, Japón y California podría usarse para predecir terremotos en lugares con menos datos disponibles.

• Preguntas, encogimientos de hombros y lo que viene después Un cuarto de siglo de cambio
• Una guía para la recolección de datos del mundo real para el Aprendizaje Automático
• Dos formas de descargar y acceder a Llama 2 localmente

Estos modelos de Aprendizaje Profundo también ayudarán a los investigadores a acceder a diferentes tipos de datos para la predicción de terremotos. Ahora pueden utilizar datos continuos de movimiento del suelo en lugar de centrarse en algo clasificado oficialmente como un terremoto. Esto es una tarea de clasificación. La precisión y la puntuación F1 del modelo fueron bastante buenas para los conjuntos de datos más grandes. Los investigadores todavía están trabajando en este nuevo modelo que fomentará y motivará las discusiones sobre todas las posibilidades que tiene, ya que tiene mucho potencial para hacerlo.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!