中國科學技術(shù)大學李澤峰研究員利用機器學習方法，總結(jié)了全球3000多個5.5級以上地震的震源時間函數(shù)特征，全景式地展示全球地震破裂過程的相似性和多樣性，深化了對地震能量釋放模式的認識，對地震早期預(yù)警具有啟示意義。該成果以“A generic model of global earthquake rupture characteristics revealed by machine learning”發(fā)表在國際知名地學期刊《Geophysical Research Letters》。

地震是對人類社會面對的重要自然災(zāi)害之一，近20年來全球中大地震已經(jīng)造成全球近100萬人傷亡，經(jīng)濟損失不計其數(shù)。地震破裂過程多種多樣，客觀衡量它們的相似性和差異性，有助于認識地震物理過程和地震震級的早期預(yù)測。然而，前人研究或是疊加多個地震的平均破裂過程，無法衡量全球地震差異范圍，或是基于某些破裂特征的統(tǒng)計，無法做到整個破裂過程的系統(tǒng)比較。

圖1：全球地震震源時間函數(shù)在變分自編碼器隱式空間的分布（a）和重構(gòu)的全球地震破裂模式流形（manifold）（b）。

李澤峰研究員利用深度學習中的變分自編碼器(Variational Autoencoder)對全球3000多個中大型地震的震源時間函數(shù)進行二維空間壓縮和模型重構(gòu)，全景式地展示了全球地震矩釋放模式和數(shù)量分布（圖1）。研究發(fā)現(xiàn)中大地震以簡單破裂為主，復(fù)雜破裂較少，并且揭示了兩類特殊地震的分布規(guī)律，即能量釋放集中在破裂后期的逃逸模式以及分多次能量釋放的復(fù)雜地震，發(fā)現(xiàn)大地震能量釋放模式具有弱震級依賴性，對地震早期預(yù)警中最終震級的可預(yù)測性提供了有益啟示。本研究是繼2021年李澤峰團隊和哈佛大學合作研究的震源時間函數(shù)聚類方法的發(fā)展，也是團隊近年來致力于將人工智能應(yīng)用于科學發(fā)現(xiàn)（AI for Science）系列研究成果之一。（來源：中國科大）