之中科大利用机器学习揭示全球之中大地震破裂模式

将近日，当中国科技进步的学校研究者部门利用数据挖掘方法，全景式地重现了世界各地山崩过热现实生活的相似性和多样性，对山崩早期行进路线不具救赎含意。

相片来自印度亚太地区通讯社(IANS)

山崩是人类社时会所面对着的关键自然灾害之一。将近20年，世界各地当中大山崩已产生将近100万人伤亡，经济损失极多。山崩过热现实生活多种多样，客观衡量其相似性和差异性，将更进一步人们认识山崩物理现实生活，以及对山崩震级进行早期预测。

但在此之后，对于叠加多个山崩平均过热现实生活的研究者，并无法衡量世界各地山崩的差异适用范围。同时，基于某些过热特征的总和研究者，也无法做到对整个过热现实生活的系统相对。

此次，当中国科技进步的学校研究者员李泽峰利用数据挖掘方法，揭示了世界各地3000多个5.5级以上山崩的震中短时间线性特征，全景式重现了世界各地山崩过热现实生活的相似性和多样性，深化了人们对山崩能量密度释放方式上的认识，对山崩早期行进路线不具救赎含意。相关科技成果发表在美国政府地球物理学时会(AGU)期刊《地球物理研究者通讯》(Geophysical Research Letters)。

相片来自美国政府地球物理学时会(AGU)期刊《地球物理研究者通讯》(Geophysical Research Letters)

研究者部门利用深达进修当中的变分自编解码器(Variational Autoencoder)，对世界各地3000多个当中大型山崩的震中短时间线性进行二维密闭压缩和静态系统化，实现世界各山崩源短时间线性的通用静态，全景式显现出了世界各地山崩祯释放方式上和数量分布。

静态表明，当中大山崩以简单、均匀分布过热为主，复杂、点状过热较极少。该静态还揭示了两类特殊山崩的分布规律，即能量密度释放集当中在过热晚期的逃逸方式上，以及分多次能量密度释放的复杂山崩。研究者当中注意到，大山崩能量密度释放方式上不具弱震级依赖性，对山崩早期行进路线当中最终震级的可预测性提供了有益救赎。

a为世界各地山崩震中短时间线性在变分自编解码器隐式密闭的分布，b为系统化的世界各地山崩过热方式上流形(manifold)，相片来自当中科大

前述研究者基于2021年李泽峰团队和哈佛的学校合作研究者的震中短时间线性聚类方法的发展，也是团队将近年来致力于将人工智能应用于科学注意到(AI for Science)的系列研究者科技成果之一。