Habilitación de cálculos viscoelásticos a gran escala a través de aceleración de red neuronal
El
Dr. DeVries del Departamento de Ciencias de la Tierra y Planetarias,
de la Universidad de Harvard comenta en su publicación que uno de los desafíos
más significativos involucrados en los esfuerzos para entender los efectos de
la actividad repetitiva de los ciclos sísmicos, es el costo computacional, de
los modelos de los ciclos de sismos viscoelásticos a gran escala.
Cálculos computacionales intensivos de los códigos viscoelásticos deben ser evaluados miles de veces y sus localizaciones, y como resultado, los estudios tienden a adoptar unas pocas estructuras reológicas fijas y modelos geométricos, y examinar la deformación predicha dependiente del tiempo durante cortos periodos de tiempo (<10 años) a una profundidad dada después de un gran sismo.
El adiestramiento de una red neuronal para aprender una representación computacionalmente eficiente de soluciones viscoelásticas, en cualquier momento, lugar y para una amplia gama de estructuras reológicas, permite que estos cálculos se hagan rápida y confiablemente, con una alta resolución espacial y temporal.
Se demostró que este enfoque de aprendizaje automático acelera los cálculos viscoelásticos en más del 50,000 por ciento.
Esta magnitud de aceleración permitirá el modelado de fallas geométricamente complejas sobre miles de ciclos de sismos a través de rangos más amplios de parámetros de modelaje y a escalas espaciales y temporales mayores que las que previamente se habían podido efectuar, concluye el Dr. DeVries.
DeVries,P. M. R., T. B. Thompson, and B. J. Meade (2017), Enabling large-scaleviscoelastic calculations via neural network acceleration, Geophys. Res. Lett.,44, doi:10.1002/2017GL072716
Cálculos computacionales intensivos de los códigos viscoelásticos deben ser evaluados miles de veces y sus localizaciones, y como resultado, los estudios tienden a adoptar unas pocas estructuras reológicas fijas y modelos geométricos, y examinar la deformación predicha dependiente del tiempo durante cortos periodos de tiempo (<10 años) a una profundidad dada después de un gran sismo.
El adiestramiento de una red neuronal para aprender una representación computacionalmente eficiente de soluciones viscoelásticas, en cualquier momento, lugar y para una amplia gama de estructuras reológicas, permite que estos cálculos se hagan rápida y confiablemente, con una alta resolución espacial y temporal.
Se demostró que este enfoque de aprendizaje automático acelera los cálculos viscoelásticos en más del 50,000 por ciento.
Esta magnitud de aceleración permitirá el modelado de fallas geométricamente complejas sobre miles de ciclos de sismos a través de rangos más amplios de parámetros de modelaje y a escalas espaciales y temporales mayores que las que previamente se habían podido efectuar, concluye el Dr. DeVries.
DeVries,P. M. R., T. B. Thompson, and B. J. Meade (2017), Enabling large-scaleviscoelastic calculations via neural network acceleration, Geophys. Res. Lett.,44, doi:10.1002/2017GL072716