英國《自然》雜志11日發(fā)表的一項研究顯示，一個機器學習模型可以對大型地震的演化進行準確地實時估測，這個經過訓練的機器學習模型能測定以光速傳播的重力變化信號。

對地震的監(jiān)測一般需要測定地震波，地震波是在地殼中傳播的能量脈沖。然而，基于地震波的預警系統(tǒng)有時候反應太慢，無法在大型地震(矩震級8或以上)發(fā)生的當下準確估算地震規(guī)模。有一種解決辦法是追蹤即時彈性重力信號(PEGS)，這種信號以光速傳播，由巖體突然錯動導致重力變化而產生。不過，PEGS是否能用來對大型地震出現后的方位和發(fā)展做出快速可靠的實時估算，一直有待驗證。

來自法國蔚藍海岸大學、法國發(fā)展研究院、法國國家科學研究中心、蔚藍海岸天文臺的科學家們此次在日本1400個潛在地震位置模擬了35萬個地震情景，并利用PEGS信號訓練了一個深度學習模型(PEGSNet)。之后，研究人員又用2011年日本東北大地震的實時數據測試了這個模型，2011年日本東北大地震是迄今有記錄的規(guī)模最大、破壞力最強的地震之一。

研究人員發(fā)現，PEGSNet能準確計算地震方位、地震規(guī)模以及地震隨時間的變化。重要的是，PEGSNet能快速給出以上信息，在地震波到達前就做出判斷。

研究人員總結道，PEGSNet在大型地震及其演化(從地表破裂到可能出現的相關海嘯)的早期監(jiān)測方面或能發(fā)揮重要作用。雖然這個模型主要針對日本，但他們強調，該模型也能很好地適用于其他地區(qū)，只需很小的調整就能實時使用這一策略。