Machine-learned acceleration of earthquake sequence simulations
本文提出了一种结合了传统准动力学求解器与训练后的傅里叶神经算子的混合建模框架,旨在高效模拟地震序列,在实现计算加速的同时,能够准确重现标准近似方法所缺失的关键长期统计特性及波介导惯性效应。
原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明
地震不仅仅是地面突然而剧烈的震动;它们是地壳裂缝处长达数十年缓慢压力积累的顶点。在这些剧烈的破裂之间,断层以极其缓慢、难以察觉的速度移动,这种无声的蠕动在数年或数世纪中不断积累能量。当压力最终克服了将岩石紧锁在一起的摩擦力时,断层会在不到一秒钟的时间内发生滑动,并向外发送能量波,从而震动地表。为了理解这些循环是如何运作的,科学家们运行计算机模拟来追踪断层的行为。然而,这些模拟面临着一个巨大的障碍:计算机必须用较大的步长来计算缓慢、安静的时期,但一旦地震开始,它必须切换到极小的、疯狂的步长,以捕捉快速传播的能量波。这种切换使得模拟一个完整的地震周期变得异常缓慢且昂贵,通常需要计算机记住过去每一次细微的运动才能计算出当前状态,这项任务很快就会让即使是最强大的机器也不堪重负。
加州理工学院的一个研究小组发现了一种绕过这一计算瓶颈的方法,且不会丢失重要的物理特性。他们开发了一种新方法,将传统的、缓慢移动的模拟与一种智能的机器学习捷径相结合。该方法不再强迫计算机去计算地震发生时每一个微小的振动,而是训练了一个专门的神经网络来充当“跳跃地图”。这个网络从数千个高保真度的短期模拟中学习了断层在破裂前夕和破裂刚结束后的状态。一旦训练完成,该网络就能瞬间预测地震后断层的最终状态,从而跳过了模拟中间那些混乱、充满波动秒数的必要过程。随后,计算机使用标准的、高效的求解器来处理长期的、缓慢的应力积累阶段,仅在检测到破裂时才调用该神经网络。
研究人员在两种不同类型的断层模型上测试了这种混合方法:一种具有易于滑动的均匀平滑部分,另一种具有更复杂的、部分区域比其他区域更抗拒运动的斑块状部分。在两种情况下,新方法都成功地重现了全细节模拟的长期统计数据。它准确地预测了不同规模地震发生的频率以及两次地震之间的间隔时间。至关重要的是,混合模型捕捉到了传统简化方法所忽略的复杂的、由波介导的效应。传统的近似法通常会忽略在地震期间通过岩石传播的惯性波,假设应力变化是瞬时且局部的。然而,由于新方法是从详细数据中学习到的,它保留了这些波的影响。因此,与目前的标准近似法相比,混合模型提供了更准确的地震行为图景,同时运行速度快了约八到十二倍。
这种提速源于对计算中最困难部分的显著缩减。在全细节模拟中,计算单次地震事件,对于较简单的断层需要近两分钟,对于复杂的断层则需要超过四分钟。而在混合模型中,神经网络在不到一秒钟的时间内就完成了同样的任务。在跨越 20,000 年的模拟中,这种效率意味着混合模型在约 11 小时内完成,而全细节版本则需要 84 小时。对于复杂断层的 40,000 年长期模拟,时间从近六天降至仅 11 小时多一点。除了速度之外,新方法还消除了存储关于断层过去运动的大量历史数据的需求,从而释放了大量的计算机内存。
这项研究证实,机器学习可以用于加速复杂的物理模拟,且不会牺牲理解现实世界现象所需的准确性。通过学习从破裂开始到结束的“跳跃”,神经网络捕捉了地震的核心物理特性,同时忽略了计算成本高昂的波传播细节。这种方法允许科学家进行以前因成本过高而无法尝试的长期模拟,为更好地进行地震序列的统计预测打开了大门。研究人员指出,这种技术可以扩展到三维断层以及更复杂的物理过程,例如岩石在滑动过程中的加热或断层内流体的行为。这项工作表明,通过将传统物理学的可靠性与学习模式的速度相结合,可以用全新的效率和洞察力来模拟地球上最剧烈的事件。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。