ಒಂದು ನವೀನ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವಿಧಾನವು ಭೂಕಂಪದ ನಂತರದ ನಂತರದ ಆಘಾತಗಳ ಸ್ಥಳವನ್ನು ಊಹಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ
An ಭೂಕಂಪ is a phenomenon caused when rock underground in the ಭೂಮಿಯ crust suddenly breaks around a geological fault line. This causes rapid release of energy which produces seismic waves which then make the ground shake and this is the sensation we fell during an earthquake. The spot where the rock breaks is called focus of the ಭೂಕಂಪ and place above it on ground is called ‘epicentre’. The energy released is measured as magnitude, a scale to describe how energetic was an earthquake. An earthquake of magnitude 2 is barely perceptible and can be recorded only by using sensitive specialized equipment, while ಭೂಕಂಪಗಳು of more than magnitude 8 can cause the ground to noticeably shake very hard. An earthquake is generally followed by many aftershocks occurring by a similar mechanism and which are equally devasting and many times their intensity and severity is similar to the original earthquake. Such post-quake tremors occur generally within the first hour or a day after the main ಭೂಕಂಪ. Forecasting spatial distribution of aftershocks is very challenging.
Scientists have formulated empirical laws to describe size and time of aftershocks but pinpointing their location is still a challenge. Researchers at Google and Harvard University have devised a new approach for assessing ಭೂಕಂಪಗಳು and forecasting location of aftershocks using artificial intelligence technology in their study published in ಪ್ರಕೃತಿ. ಅವರು ನಿರ್ದಿಷ್ಟವಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿದರು - ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಒಂದು ಅಂಶ. ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನದಲ್ಲಿ, ಒಂದು ಯಂತ್ರವು ದತ್ತಾಂಶದ ಗುಂಪಿನಿಂದ 'ಕಲಿಯುತ್ತದೆ' ಮತ್ತು ಈ ಜ್ಞಾನವನ್ನು ಪಡೆದುಕೊಂಡ ನಂತರ ಹೊಸ ಡೇಟಾದ ಬಗ್ಗೆ ಭವಿಷ್ಯ ನುಡಿಯಲು ಈ ಮಾಹಿತಿಯನ್ನು ಬಳಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ಸಂಶೋಧಕರು ಮೊದಲು ಆಳವಾದ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಜಾಗತಿಕ ಭೂಕಂಪಗಳ ಡೇಟಾಬೇಸ್ ಅನ್ನು ವಿಶ್ಲೇಷಿಸಿದ್ದಾರೆ. ಡೀಪ್ ಲರ್ನಿಂಗ್ ಎನ್ನುವುದು ಸುಧಾರಿತ ರೀತಿಯ ಯಂತ್ರ ಕಲಿಕೆಯಾಗಿದ್ದು, ಇದರಲ್ಲಿ ನರಗಳ ಜಾಲಗಳು ಮಾನವನ ಮೆದುಳಿನ ಆಲೋಚನಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪ್ರಯತ್ನಿಸಿ ಮತ್ತು ಅನುಕರಿಸುತ್ತದೆ. ಮುಂದೆ, ಅವರು ಸಾಧ್ಯವಾಗುವ ಗುರಿಯನ್ನು ಹೊಂದಿದ್ದರು ಮುನ್ಸೂಚನೆ aftershocks better than random guessing and try to solve the problem of ‘where’ the aftershocks will occur. Observations collected from more than 199 major earthquakes around the world were utilized consisting of around 131,000 mainshock-aftershock pairs. This information was combined with a physics-based model which describing how ಭೂಮಿಯ would be strained and tense after an ಭೂಕಂಪ which will then trigger aftershocks. They created 5 kilometer-square grids within which system would check for an aftershock. The neural network would then form relationships between strains caused by main earthquake and the location of aftershocks. Once neural network system was well-trained in this manner, it was able to predict location of aftershocks accurately. The study was extremely challenging as it used complex real-world data of earthquakes. Researchers alternatively set up ಕೃತಕ ಮತ್ತು ಮುನ್ಸೂಚನೆಗಳನ್ನು ರಚಿಸಲು ಮತ್ತು ನಂತರ ಭವಿಷ್ಯಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು 'ಆದರ್ಶ' ಭೂಕಂಪಗಳ ರೀತಿಯ. ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಔಟ್‌ಪುಟ್ ಅನ್ನು ನೋಡುವಾಗ, ನಂತರದ ಆಘಾತಗಳ ಮುನ್ಸೂಚನೆಯನ್ನು ನಿಯಂತ್ರಿಸುವ ವಿಭಿನ್ನ 'ಪ್ರಮಾಣಗಳು' ಏನೆಂದು ವಿಶ್ಲೇಷಿಸಲು ಅವರು ಪ್ರಯತ್ನಿಸಿದರು. ಪ್ರಾದೇಶಿಕ ಹೋಲಿಕೆಗಳನ್ನು ಮಾಡಿದ ನಂತರ, ಸಂಶೋಧಕರು ಒಂದು ವಿಶಿಷ್ಟವಾದ ನಂತರದ ಆಘಾತದ ಮಾದರಿಯು ಭೌತಿಕವಾಗಿ 'ವ್ಯಾಖ್ಯಾನಿಸಬಲ್ಲದು' ಎಂಬ ತೀರ್ಮಾನಕ್ಕೆ ಬಂದರು. ವಿಚಲನ ಒತ್ತಡದ ಒತ್ತಡದ ಎರಡನೇ ರೂಪಾಂತರ - ಸರಳವಾಗಿ J2 ಎಂದು ಕರೆಯಲ್ಪಡುವ - ಕೀಲಿಯನ್ನು ಹೊಂದಿದೆ ಎಂದು ತಂಡವು ಸೂಚಿಸುತ್ತದೆ. ಈ ಪ್ರಮಾಣವು ಹೆಚ್ಚು ಅರ್ಥೈಸಬಲ್ಲದು ಮತ್ತು ಲೋಹಶಾಸ್ತ್ರ ಮತ್ತು ಇತರ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ವಾಡಿಕೆಯಂತೆ ಬಳಸಲ್ಪಡುತ್ತದೆ ಆದರೆ ಭೂಕಂಪಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಹಿಂದೆಂದೂ ಬಳಸಿಲ್ಲ.
Aftershocks of earthquakes cause further injuries, damage properties and also hinder rescue efforts therefore predicting them would be life-saving for humanity. Real time forecast may not be possible at this very moment as the current AI models can deal with a particular type of aftershock and simple geological fault line only. This is important because geological fault lines have different geometry in diverse geographical location on the ಗ್ರಹದ. So, it may not be currently applicable to different type of earthquakes around the world. Nevertheless, artificial intelligence technology looks suitable for earthquakes because of n number of variables which need to considered when studying them, example strength of the shock, position of tectonic plates etc.
ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು ಕಾಲಾನಂತರದಲ್ಲಿ ಸುಧಾರಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಅಂದರೆ ಸಿಸ್ಟಮ್‌ಗೆ ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ನೀಡುವುದರಿಂದ, ಹೆಚ್ಚಿನ ಕಲಿಕೆ ನಡೆಯುತ್ತದೆ ಮತ್ತು ಸಿಸ್ಟಮ್ ಸ್ಥಿರವಾಗಿ ಸುಧಾರಿಸುತ್ತದೆ. ಭವಿಷ್ಯದಲ್ಲಿ ಅಂತಹ ವ್ಯವಸ್ಥೆಯು ಭೂಕಂಪಶಾಸ್ತ್ರಜ್ಞರು ಬಳಸುವ ಭವಿಷ್ಯ ವ್ಯವಸ್ಥೆಗಳ ಅವಿಭಾಜ್ಯ ಅಂಗವಾಗಿರಬಹುದು. ಭೂಕಂಪದ ನಡವಳಿಕೆಯ ಜ್ಞಾನದ ಆಧಾರದ ಮೇಲೆ ಯೋಜಕರು ತುರ್ತು ಕ್ರಮಗಳನ್ನು ಸಹ ಜಾರಿಗೊಳಿಸಬಹುದು. ಭೂಕಂಪಗಳ ಪ್ರಮಾಣವನ್ನು ಊಹಿಸಲು ತಂಡವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ತಂತ್ರಜ್ಞಾನವನ್ನು ಬಳಸಲು ಬಯಸುತ್ತದೆ.
***
{ಉದಾಹರಿಸಿದ ಮೂಲ(ಗಳ) ಪಟ್ಟಿಯಲ್ಲಿ ಕೆಳಗೆ ನೀಡಲಾದ DOI ಲಿಂಕ್ ಅನ್ನು ಕ್ಲಿಕ್ ಮಾಡುವ ಮೂಲಕ ನೀವು ಮೂಲ ಸಂಶೋಧನಾ ಪ್ರಬಂಧವನ್ನು ಓದಬಹುದು}
ಮೂಲಗಳು)
ಡೆವ್ರೀಸ್ PMR ಮತ್ತು ಇತರರು. 2018. ದೊಡ್ಡ ಭೂಕಂಪಗಳ ನಂತರದ ನಂತರದ ಆಘಾತದ ಮಾದರಿಗಳ ಆಳವಾದ ಕಲಿಕೆ. ಪ್ರಕೃತಿ560 (7720).
https://doi.org/10.1038/s41586-018-0438-y
***
