NatureCommunications通过迁移学习预测断层滑动

　　2021年12月17日，《自然·通讯》（ Nature Communications ）杂志刊发题为《通过迁移学习预测断层滑动》（Predicting fault slip via transfer learning）的文章称，美国洛斯阿拉莫斯国家实验室（Los Alamos National Laboratory）团队的研究指出，基于一种为稀疏数据开发的机器学习方法能够可靠地预测实验室地震中的断层滑动，并可能是预测断层滑动和现场潜在地震的关键。但其所采用的数据驱动的方法仅对慢滑事件有效，而对于大规模粘滑断层却作用有限。
　　大地震之间非常长的时间尺度限制了数据集，因为大断层可能在50~100年或更长时间里才会发生一次滑动，这意味着地震学家几乎没有机会收集机器学习所需的大量观测数据。为了弥补有限的数据，研究人员对实验室地震的数值模拟输出以及部分实验数据进行了卷积神经网络训练，然后预测断层滑动。这项研究是实验研究中首次将迁移学习应用到预测断层滑动的数值模拟中，目前还没有被应用于地球观测。通过迁移学习，研究人员可以从一个模型推广到另一个模型，从而克服数据稀疏性。该方法允许实验室团队在早期数据驱动的机器学习实验的基础上，成功预测实验室地震的滑移，并将其应用于稀疏的模拟数据。具体来说，在这种情况下，迁移学习指的是在一种类型的数据（模拟输出）上训练神经网络，并将其应用到另一种类型的数据（实验数据）上，同时还需要利用一小部分实验数据进行额外的训练。
　　研究显示，可以模拟地球上的发震断层，然后通过相同的交叉训练，将实际断层在滑动周期的一部分数据整合进来。其目的是预测发震断层（如圣安地列斯断层）的断层运动，该断层的数据受到不频繁地震的限制。研究人员首先对实验室地震进行了数值模拟。这些模拟包括构建一个数学网格，并代入数值来模拟故障行为，这些数值有时只是很好的猜测。卷积神经网络由一个编码器组成，该编码器将仿真的输出提炼为其关键特征，整个编码过程在编码器和解码器之间的模型的隐空间或隐空间中完成。神经网络对简化后的特征进行解码，以估计任意时刻断层上的摩擦力。在对该方法的进一步改进中，模型的隐空间的得出则是基于对小部分实验数据的额外训练。有了这种＂交叉训练＂，当从另一个实验中输入不可见数据时，神经网络就能准确地预测断层滑动事件。
　　转载本文请注明来源及作者：中国科学院兰州文献情报中心《地球科学动态监测快报》2022年第2期，王立伟 编译。