什么是自動(dòng)化機(jī)器學(xué)習(xí)?機(jī)器學(xué)習(xí)可對(duì)地震進(jìn)行監(jiān)測(cè)!

在下述的內(nèi)容中，小編將會(huì)對(duì)機(jī)器學(xué)習(xí)的相關(guān)消息予以報(bào)道，如果機(jī)器學(xué)習(xí)是您想要了解的焦點(diǎn)之一，不妨和小編共同閱讀這篇文章哦。

一、機(jī)器學(xué)習(xí)可對(duì)地震進(jìn)行檢測(cè)

國(guó)際著名學(xué)術(shù)期刊《自然》最新發(fā)表一篇地球科學(xué)論文，研究人員開(kāi)展的一項(xiàng)研究顯示，一個(gè)機(jī)器學(xué)習(xí)模型可以對(duì)大型地震的演化進(jìn)行準(zhǔn)確的實(shí)時(shí)估測(cè)，這個(gè)經(jīng)過(guò)訓(xùn)練的機(jī)器學(xué)習(xí)模型能測(cè)定以光速傳播的重力變化信號(hào)。

該論文介紹，對(duì)地震的監(jiān)測(cè)一般需要測(cè)定地震波，地震波是在地殼中傳播的能量脈沖。然而，基于地震波的預(yù)警系統(tǒng)有時(shí)候反應(yīng)太慢，無(wú)法在大型地震(矩震級(jí)8或以上)發(fā)生的當(dāng)下準(zhǔn)確估算地震規(guī)模。有一種解決辦法是追蹤即時(shí)彈性重力信號(hào)(prompt elastogravity signals，PEGS)，這種信號(hào)以光速傳播，由巖體突然錯(cuò)動(dòng)導(dǎo)致重力變化而產(chǎn)生。不過(guò)，PEGS是否能用來(lái)對(duì)大型地震出現(xiàn)后的方位和發(fā)展做出快速可靠的實(shí)時(shí)估算，一直有待驗(yàn)證。

論文通訊作者、法國(guó)蔚藍(lán)海岸大學(xué)、蔚藍(lán)海岸天文臺(tái)、法國(guó)發(fā)展研究院和法國(guó)國(guó)家科學(xué)研究中心的安德里亞·利西亞迪(Andrea Licciardi)及同事和國(guó)際同行合作，在日本1400個(gè)潛在地震位置模擬了35萬(wàn)個(gè)地震情景，并利用PEGS信號(hào)訓(xùn)練了一個(gè)稱為PEGSNet的深度學(xué)習(xí)模型。之后，他們又用2011年日本東北大地震的實(shí)時(shí)數(shù)據(jù)測(cè)試了這個(gè)模型，2011年日本東北大地震是迄今有記錄的規(guī)模最大、破壞力最強(qiáng)的地震之一。研究團(tuán)隊(duì)發(fā)現(xiàn)，PEGSNet能準(zhǔn)確計(jì)算地震方位、地震規(guī)模，以及地震隨時(shí)間的變化。重要的是，PEGSNet能快速給出以上信息，在地震波達(dá)到達(dá)前就做出判斷。

論文作者總結(jié)表示，PEGSNet在大型地震及其演化(從地表破裂到可能出現(xiàn)的相關(guān)海嘯)的早期監(jiān)測(cè)方面或能發(fā)揮重要作用。雖然這個(gè)模型主要針對(duì)日本，但該模型也能很好地適用于其他地區(qū)，只需很小的調(diào)整就能實(shí)時(shí)使用這一策略。

二、自動(dòng)化機(jī)器學(xué)習(xí)

近來(lái)經(jīng)?？吹降淖詣?dòng)化機(jī)器學(xué)習(xí)又是什么呢，機(jī)器不就是在自動(dòng)化的學(xué)習(xí)嗎?要理解這個(gè)還需對(duì)人工智能算法研究有一個(gè)簡(jiǎn)單的概念。機(jī)器學(xué)習(xí)的技術(shù)非常復(fù)雜，機(jī)器學(xué)習(xí)的研發(fā)項(xiàng)目比傳統(tǒng)的開(kāi)發(fā)項(xiàng)目復(fù)雜很多，一個(gè)簡(jiǎn)單的項(xiàng)目，周期也要幾周到幾個(gè)月的時(shí)間，實(shí)際企業(yè)中的項(xiàng)目即便是有一個(gè)比較成熟的團(tuán)隊(duì)，一般也要幾個(gè)月到半年、一年的時(shí)間這都很正常。機(jī)器學(xué)習(xí)項(xiàng)目的最大不確定性在于不知道多長(zhǎng)時(shí)間后才能達(dá)到設(shè)定的目標(biāo)，就是模型能夠真正可用。否則就無(wú)法實(shí)際商用，不能形成銷(xiāo)售收入。模型無(wú)法達(dá)到目標(biāo)精度很大程度是因?yàn)樗惴ê茈y對(duì)最后效果進(jìn)行一個(gè)準(zhǔn)確的預(yù)測(cè)，所以我們采用迭代式的改進(jìn)方法，就是不斷的把開(kāi)發(fā)過(guò)程重復(fù)，等最后模型做出來(lái)之后，分析模型結(jié)果，分析模型性能，然后進(jìn)一步改進(jìn)算法，在整個(gè)迭代過(guò)程中很多步驟都必須重新做，導(dǎo)致開(kāi)發(fā)效率比較低。風(fēng)險(xiǎn)更高的是很多人工智能項(xiàng)目即便投入大量時(shí)間，投入大量人力之后還是會(huì)失敗。來(lái)自權(quán)威機(jī)構(gòu)Gartner的統(tǒng)計(jì)，60%的人工智能項(xiàng)目都以失敗告終。

據(jù)它的調(diào)查顯示，人工智能項(xiàng)目失敗有兩種原因：一方面，技術(shù)要求不達(dá)標(biāo)，如很多人工智能項(xiàng)目中機(jī)器學(xué)習(xí)算法最后的準(zhǔn)確度不夠好;另一方面，項(xiàng)目進(jìn)展緩慢，部分項(xiàng)目實(shí)施時(shí)時(shí)間越來(lái)越長(zhǎng)，但是進(jìn)展不明顯，雖然有進(jìn)展，但是距離項(xiàng)目目標(biāo)很遠(yuǎn)?？赡苁枪こ痰脑颍部赡苁撬惴ǖ脑?。大部分企業(yè)對(duì)人工智能投入還是有限的，到一定程度還沒(méi)有進(jìn)展，或者成本開(kāi)銷(xiāo)過(guò)大，都會(huì)被叫停，最后導(dǎo)致項(xiàng)目失敗。項(xiàng)目失敗的事情，即便在有豐富經(jīng)驗(yàn)的人工智能團(tuán)隊(duì)的公司里，也會(huì)經(jīng)常發(fā)生，因?yàn)檫M(jìn)展不夠快。

上述所有信息便是小編這次為大家推薦的內(nèi)容，希望大家能夠喜歡，想了解更多有關(guān)它的信息或者其它內(nèi)容，請(qǐng)關(guān)注我們網(wǎng)站哦。