حتماً تا حالا شنیدین که پیشبینی زلزله چقدر مهمه، مخصوصاً واسه اینکه بتونیم بهتر آماده بشیم و جلوی خطرات بزرگ رو بگیریم. ولی خب، پیشبینی دقیق زلزله اصلاً کار آسونی نیست و کلی اطلاعات پیچیده مکانی و زمانی توش به هم گره خورده. تا الان الگوریتمای معروفی مثل Random Forest، SVR و XGBoost زیاد واسه این کار استفاده شدن، ولی هنوز نتونستن درست و حسابی این روابط پیچیدهٔ مکانی-زمانی رو بین دادههای زلزله پیدا کنن و مدل کنن.
حالا تو این دنیای شلوغ پیشبینی، یه مدل خفن و جدید به اسم SeismoQuakeGNN معرفی شده که خیلیها روش حساب کردن. این مدل در واقع ترکیبی از Graph Neural Network یا همون GNN (تعریف ساده: یه جور شبکه عصبی که روی دادههایی که حالت شبکه و ارتباط دارند، مثل زلزلههای مناطق مختلف، کار میکنه)، و Transformer (تعریف ساده: مدلهای ترنسفورمر خیلی خفنان تو فهمیدن روابط طولانی توی دادهها، مثل اینکه یک رویداد گذشته روی آینده چه تأثیری گذاشته) هستش. حالا این دو تا رو گذاشتن کنار هم که بتونن همزمان هم وابستگیهای مکانی و هم ارتباطات زمانی بین زلزلهها رو بفهمن.
یه چیزی که SeismoQuakeGNN رو باحالتر از مدلای قبلی GNN کرده، اینه که روشی واسه کدگذاری موقعیتی یا همون spatial encoding به شکل بهینه داره. یعنی چی؟ یعنی مدل خودش یاد میگیره که ارتباطات و وابستگیهای منطقهای زلزلهها چه جوریه! جدا از این، یه ماژول توجه با موتور ترنسفورمر هم داره (Attention Module)، که باعث میشه بتونه ارتباطهای بلندمدت گذشته و آینده زلزلهها رو با هم مرتبط کنه و الگوهای قویتری یاد بگیره.
طبق تستایی هم که انجام دادن، حتی مدل معروف XGBoost هم تو پیدا کردن الگوهای زلزله محدودیت داشت. همینم نشون داد که باید مدلهایی ساخت که بتونن همزمان فضا و زمان رو با عمق بیشتری یاد بگیرن.
در نهایت، SeismoQuakeGNN میتونه زنده و باحال دادهها رو، هم از نظر فضایی (مثلاً تو شهرها یا مناطق مختلف) و هم از نظر زمانی (مثلاً تو بازههای بلندمدت)، پردازش کنه؛ یعنی دوتا جور وابستگی رو با هم قاطی و خوب تجزیه و تحلیل میکنه. حتی این مدل میتونه خودش رو راحت با مناطق لرزهای مختلف تطبیق بده و این یعنی کاربردش فقط محدود به یک منطقه خاص نیست. خلاصه، این مدل تبدیل شده به یه نقطه شروع مطمئن واسه پیشبینیهای جدیتر زلزله و ارزیابی ریسک خطرات مربوط به اون.
اگر دوست دارین بدونین تو آینده پیشبینی زلزله چقدر جدیتر و علمیتر میشه، مدلهایی مثل SeismoQuakeGNN رو قطعاً باید زیر نظر داشته باشین! 😉
منبع: +
