Apprentissage en profondeur pour les modèles de répliques du tremblement de terre avec Brendan Meade, Phoebe Devries

Aujourd’hui, nous sommes rejoints par Phoebe DeVries, boursière postdoctorale du Département de terre et des sciences planétaires de Harvard et des professeurs adjoints de l’Université du Connecticut, et Brendan Meade, professeur de terre et de sciences planétaires et d’affiliation en sciences de l’ordinateur à Harvard. Le travail de Phoebe et Brendan se concentre sur la découverte autant que possible sur les tremblements de terre avant qu’ils ne se produisent et en mesurant comment la surface de la Terre bouge, prédisant l’emplacement futur du mouvement. Dans cet épisode, nous discutons de leur article récent, «Deep Learning of Afrtshock Produits après de grands tremblements de terre», et les étapes préliminaires qui les ont guidés vers l’utilisation de l’apprentissage automatique dans les sciences de la Terre. Tout a commencé avec les 2,5 millions d’heures de processeur, il a fallu un calcul haute performance pour expliquer le déclenchement retardé d’un petit nombre de tremblements de terre. Cela a motivé sans surprise l’équipe à former un réseau neuronal à imiter le code HPC à un rythme beaucoup plus rapide. Avance rapide jusqu’à aujourd’hui, les recherches actuelles de Phoebe et Brendan consistent à calculer les changements de contrainte dans la croûte et le manteau supérieur après un grand tremblement de terre et l’utilisation d’un réseau neuronal pour cartographier ces changements pour prédire les emplacements des répliques. Nous plongeons dans les systèmes complexes qui englobent les études de science de la Terre, y compris les approches, les défis, les surprises et les résultats qui accompagnent l’intégration de modèles d’apprentissage automatique et d’ensembles de données dans un nouveau domaine d’étude.