机器学习可以预测汇率变化吗？

作者| Filip Piekniewski编译| ziqi zhang随着人工智能的持续深入，深度学习技术在多智能体学习、推理系统和推荐系统上取得了很大进展。对于多智能体来说，预测能力有着关键性的作用。一个训练有素的智能体已经能骗过智商正常的人类了！你可能不会相信，仅仅从一个反应系统学习90%的动作命令，它就已经可以取得这样的“成就”了。这是结合了统计学和动力学而实现的。对于这个问题，大多数方案是通过统计学方法，构建概率模型来解决。这点与行为引导（behavior guiding）研究相同。但是，在这两类研究中，应用统计学方法可能会忽略一些重要的极端值，而相关重要信息又往往只能根据这些极端值的分布情况来得到。Filip Piekniewski是一位资深的人工智能爱好者，他曾经推出一篇博文，详细介绍了上述多智能体的实现过程。最近，他又发布一篇博文，详细介绍了——视觉预测模型（Predictive Vision Model），用于将预测范式引入到机器学习模型中。这是一篇有趣的干货长文，希望大家能花时间来阅读。下面简要介绍下视觉预测模型的思路及部分细节。主要思路本文构建了一个在视觉条件下以感官信息作为输入的预测模型。由于无法准确建立感官信息的运动方程，只能通过机器学习来完成。这个实现过程很简单，只需将当前输入值与将来的同等值联系起来，这与自动编码器相似，但是当前模型不是预测信号本身，而是下一帧信号。一旦建立了对应联系，所构成的系统就可以预测出下一个输入值。事实上，我们可以同时训练并使用这个系统。显然，这个结果系统不能准确输出外部实际值，但是可以产生一个相当逼近实际情况的近似值。在很多情况下，这样的近似值已经足以用来产生一个鲁棒性很好的表现。实现细节构建一个上述的预测编码器本身十分简单，问题的关键在于缩放上。在构建一个系统的时候，有时可以通过将一个大的系统拆分成小块或者缩小数量来解决这个问题，而不是一次性构建一个庞大的整体。我们就应用这种想法。我们不用构建一个大规模的预测编码器来处理大图像，而是构建许多小规模的预测编码器。工作时，每个小编码器都输入并处理一个小的片段，工作流程如下图所示：这样我们就得到了一个“分布式”预测系统。当然，这样仍然存在问题：虽然每个单元能够独立地进行预测了，但是它们所处理的信号有些具有全局一致性。如何实现资源共享，从而提高运行效率呢？互联！我们可以尝试将这些独立的单元连接起来，这样，每个单元就可以向相邻单元通报它们刚刚看到（预测）了什么。听起来相当不错，但是如果我们现在向每个单元发送多组信号的副本，即每个单元的预测信息，那么这些单元承担的信息量将大大增加，时间和空间的压力可想而知，以至于我们无法进一步扩展系统。如何解决这一问题呢？压缩！压缩方法就像去噪自编码器（denosing autoencoder）一样，强制每个单元只能预测，而且只能使用基本特征进行预测。我们通过引入一个瓶颈，缩小中间层来实现压缩功能。一旦这一功能实现了，我们就能利用“压缩后”的表达信息连接到相邻单元，从而构成横向连接。工作流程如下图所示：到目前为止，我们实现了：每个单元不光可以预测自身的输入信息，还可以预测附近单元的输入信息。由于感官数据通常具有局部性（locality）特点，这些附近单元的附加信息通常对预测是十分有用的。需要注意的是，即使现在的系统是稀疏连接的（本地连接），只要我们添加更多的单元（其实就是以更高分辨率处理图像）就可以扩展这个系统，而且总的收敛时间将不受任何影响（假设添加的算力与添加的单元成正比）。分层与反馈我们现在只有一层单元来预测未来的输入信息，那么，问题又来了：对于这个系统，我们一直是在一个非常精细的规模下传递预测信息的。但是，当想要获得较大规模场景的规律时，即便加入横向反馈，这种单层预测系统也无能为力。为了在大规模的场景中仍然可以找到规律，我们可能会想到使用一个能够处理整个场景的单元，但是因为它不能扩展，所以这种想法不太可行。但是请注意，我们已经对数据进行了压缩，如果我们再添加一个层，用来预测第一层的压缩特征，那么这一层中的每个单元都将可以获得更大的视野（虽然这样做会失去对较低一级预测无用的功能）。如下图所示：好了，现在有了较高一层单元，我们就可以发现更大规模视野的规律。我们可以不断地添加更多的层，直到剩下一个能够捕获整个场景规律的单元，尽管这个单元处理的分辨率可能不是很高。层数增加带来单元数量的增加，每个单元都会产生预测信息，中间这些额外的预测信息可以做什么呢？作为反馈进行回传！这样，可以帮助低一层的单元更好地进行预测，如下图所示：到目前为止，我们就完成了一个完整的视觉预测模型的系统搭建任务。每个单元都有其清晰的目标函数，误差以分布式的方式在系统中传播，而不是以单个反向传播标签的形式，并且系统仍然具有扩展性。原理上，这就是通用的视觉预测模型——没有任何变形，只是以一种新的方式安排了联想记忆（associative memories）。该模型的主要目标是进行预测。如果构建输入信号的内部模型，这个系统仍然可以胜任。由于其内部的循环连接，该系统可以扩展为非常复杂的模型。下面的动画显示了信息的流动过程：好了，现在系统设计完成了，详细说明一下它到底能做什么，在这之前，关于该模型还有几个重要的东西需要强调一下：PVM使用关联存储器单元进行数据的压缩，它可以通过反向传播（backprop）或其它别的方法来实现：玻尔兹曼机（Boltmann Machine）、脉冲网络（Spiking Network），等等。这些也给了系统在硬件方面巨大的灵活性。系统是分布式的，并且完全避免了梯度消失（vanishing gradient）这一问题，因为训练信号是局部的，丰富而且足够强。因此不需要卷积和繁杂的正则化方法等等。PVM可以应用于视觉方面，其它模式当然也能适用。事实上，你可以自由地将模式进行组合，让它们在不同的抽象层次上相互预测。PVM中的反馈可以任意地布置。如果信号具有预测性质，那么它将被利用，否则将被忽略（这是可能发生的最坏的事情）。PVM中的输入信号可以是单个图像（例如视频中的一帧）或者序列。实际上，我做过一些针对处理视频帧的有意义的实验。如果输入信号的一小部分以一种可预测的方式（例如相机上有个像素坏掉了）被破坏了，它将在低层的处理过程中被预测，越往高层传播，这种影响就越小。在极端情况下，例如长期无效的像素，是可以通过偏执单元（常数）单独进行预测的，且高层可以完全忽略它们的存在，这点非常像人眼中的盲区。信号误差作为系统的副产品基本上是都是异常的检测信号。在不同的规模下，可以获得不同层级的异常信息。这种信息在行为识别方面是一个十分有用的信号，涉及到显著性以及注意力机制的概念。真的有用吗？我们用实验去证明！大量的实验证明，PVM确实在基本预测任务中发挥了巨大的作用，但它还能做别的事情吗？一方面，推荐系统会利用预测误差给用户提供他们想要的信息，但是这是一个长期的过程。另一方面，我们决定增加一个有监督的视觉目标跟踪任务，并在上面测试PVM的实际性能。我们往PVM中加入一些小东西：我们使处理单元闭环（自己以前的状态成为上下文的一部分）。这种做法使PVM单元类似于简答的循环神经网络。当然也可以把LSTM加上去，但是我真的非常不喜欢LSTM，因为它们看上去非常的“不自然”。在输入向量中，我们加入了几个“预先计算过的特征”，这些特征仅仅用于帮助简单的三层感知机找到相应的模式。我们还添加了一个读出层，通过明确的监督训练（现在是带标签的数据，带有M的框），就可以训练出感兴趣目标的热图。与PVM系统中其他部分相同，该热图由所有单元以分布式方式生产，之后进行组合用来计算目标的边界。热图的产生过程：总而言之：它是起作用的！详细的信息可以参考我的长篇论文。通常通过训练这个系统，我们可以将它用于稳定的视觉目标跟踪，其效果可以打败几种最先进的目标跟踪器。第一行从左到右为：视觉输入信息、后续几层的内部压缩后的激活信号。第二行：连续的预测信息。第一层的视觉预测，对于第一层激活的第二层预测等等。第三行是误差信息（实际信息与预测之间的偏差）。第四行是有监督对象的热图（我们这个实验是对“STOP”标志敏感）。最后一列：各种跟踪的可视化信息。以下是针对数据集中，其它跟踪目标的实例（注意，我们从不在训练集上对系统进行评估，因为这样训练出来的系统泛化性是很差的），红色框代表人为标注的真实地面目标，黄色框是PVM的返回。总而言之，它的效果非常好，特别是它在低分辨率（96*96）的视频上仍然起作用（虽然这个分辨率对于人类来说足够理解场景中的物品了）。结论我们都知道，上世纪80年代提出的深度卷积神经网络是基于60年代的神经学知识发展起来的，现在还异常火热。PVM不同于卷积神经网络，它是基于全新的大脑皮质结构和功能的一种新的算法。PVM能避免许多机器学习都会遇到的问题：比如过度拟合和梯度消失问题。它也不用使用一些繁杂的技巧：比如卷积和正则化，它会把任务当成在线信号预测的任务。虽然PVM还不能作为感知任何事物的黑盒（还没人知道这个黑盒是否存在），但是与各种感知应用的方法来比，它还是很有竞争力的，这里就不得不提深度学习的方法了，相比来说这是最大的挑战。PVM的不同之处在于，它是由直觉进行驱动的，它将使机器人在长期内真正起作用。目前有关PVM的应用性实验都可以在Github上找到，enjoy！参考文献：[1]2016/11/03/reactive-vs-predictive-ai/[2]2016/11/04/predictive-vision-in-a-nutshell/
老子电线哭肿了眼睛,贫僧孟惜香抹掉#什么是机器学习和价值预测?What Is Machine Learning and value Prediction?前言叨B叨没有叨B叨直接入主题1.什么是机器学习作为一个码农，你的工作就是写出各种规则来告诉计算机如何解决某个特定问题。机器学习走的却是另一种途径。机器学习是计算机自己学习事物的规则来解决问题,而不是靠编写特定的规则。让我们从一个大家都熟悉的例子开始，垃圾邮件。想象一下，你正在编写一个程序，用传统的程序来过滤收件箱中的垃圾邮件。首先，你必须编写一个复杂的程序，它包含所有的规则来决定一个特定的电子邮件是垃圾还是真实有用的信息。例如，程序可能会寻找某些你认为只出现在垃圾邮件中的关键词，或者你可能会检查发件人是不是你曾经发送过邮件给他。然后，通过跑一些测试电子邮件来调试程序。最后，你检查程序的结果，看看它是否正确地从垃圾邮件中分离出真实的电子邮件。在这个过程中，最难的部分是找出哪些规则有助于识别电子邮件为垃圾邮件还是真实邮件。要找出正确的规则，准确地识别垃圾邮件，而不会有任何误报，这需要大量的尝试。更闹心的是，当垃圾邮件发送者改变自己的战术，你又得相应更新你的过滤规则来应对。所以这是一个无止境的体力活。如果计算机能自己想出过滤电子邮件的逻辑，那该多好哇，所以这个就是我们可以用机器学习来实现的东西。机器学习来搞定这个事情大概有以下几个步骤:首先，我们收集数千封电子邮件，把它们分成两组。一组是正儿八经的邮件。另一组则是垃圾邮件。接下来，我们将这些电子邮件放入机器学习算法中。机器学习算法是一个现成的系统。我们不必编写任何自定义代码便能使其工作。机器学习算法将检查两组电子邮件，并创建它自己的规则，告诉他们如何区分它们。这个过程叫做训练。我们正在给机器学习算法输入原始的电子邮件和预期的输出数据，每一封电子邮件应该被分类为真实的或垃圾邮件，它创建了自己的规则来确定输入什么样的数据会产生什么样的输出。训练过程中使用的数据越多，就越有可能学习到如何准确地做到这一点。一旦模型被训练出来，我们现在就可以用它来以前从未见过的电子邮件了。当我们输入一个未知的电子邮件，它将使用训练过程中所学到的规则，正确地区分垃圾邮件和正常邮件。有了机器学习，我们就不必自己做苦逼的体力活了。也就是说我们不用写任何邮件过滤规则。计算机根据自己所看到的训练数据提出了自己的建议。机器学习最酷的部分是我们用电子邮件分类的算法可以通过改变我们输入的数据来解决很多其他的问题,而这不需要改变任何一行代码。例如，输入的时候我们不输入电子邮件,而是输入一张照片或者手写数字。该算法可以决定每个图片所代表的数字，无论是0还是1，或者在本例中为8。同样的算法，即可用于电子邮件过滤,也可以用来做手写识别。用传统的编程方法，你可以给计算机精确地说明如何解决问题。计算机只能做它以前做过的事情。与机器学习不同,计算机不需要显式地编程便会学习如何解决未解决过的事情。取而代之的是，你给计算机输入数据，计算机从数据中学习到那些类似的逻辑来替代你的手工编程。机器学习是解决传统编程难以解决的复杂问题的一种有效方法。2.有监督的机器学习价值预测在本课程中，我们将使用有监督的机器学习来预测价值。有监督学习是机器学习的一个分支，计算机通过在标记的训练数据上学习如何执行函数。机器学习还有其他分支，如无监督学习和强化学习，但监督学习是最常用的，也是我们入门的最佳选择。这里我们将使用监督学习做价值预测。我们通过输入数据并告诉机器正确的值输出应该是什么样的数据,然后来训练有监督的学习模型，我们的机器学习算法使用这些数据来生成规则来重现相同的结果。例如，如果我们显示数字2和2，并且告诉它答案是4，然后我们显示数字3和5，并且告诉它答案是8，它将开始决定如何做加法。只要看了足够多的例子，它就会发现，每当看到两个数时，我们就希望结果是这些数之和。总和是系统预测的值。我们称这种过程为训练(training)。一旦对模型进行训练，我们就可以使用它来查找新的数据，并告诉我们它对新输入数据应该值多少的估计。如果我们展示它7和2，现在它依据对它已有的训练,可以告诉我们答案是9。该系统能够通过从训练数据中学到的知识来预测新数据的值。让我们来看一个更复杂的例子。假设你是一个有多年房产销售经验的房地产经纪人。因为你已经卖了很长时间的房子了，所以你可以随便瞄一眼任意一套房子，便可估计这房子大概多少钱。你几乎可以在不知不觉中做到这一点。例如，这个房子很宽敞，它位于一个很好的社区，它有一个很大的前院，从街上看起来很吸引人。基于这些因素，你可能会估计在当地市场价值美元。但现在你的房地产业务不断增长，你不能自己管理所有的客户。你决定招几个小弟来帮你。但是有一个问题，你的小弟没有你的经验，所以他们不知道如何给房子定价。为了帮助你的小弟，你想写一个程序，可以根据你的房子的大小，是否学区房和最近类似房型成交价等等来估计房子的价值。我们可以用有监督的机器学习来做到这一点。首先，记录下来三个月内这个地区成交的房子。对于每一栋房子，我们都会写下房子的基本特征，比如卧室的数目，房子的大小和平方英尺，房子所在的社区，等等。但最重要的是，我们将把房子的最终销售价格写下来。这是我们的训练数据。为了构建我们的程序，我们将把训练数据输入到机器学习算法中，该算法将找出如何为每一个房子找到正确的估值。这就是有监督的机器学习。我们之所以称之为学习，因为计算机正在学习如何根据我们所提供的价值来对房子的价格进行建模。我们说这是有监督的，因为我们给计算机正确的回答每个房子的价值。计算机所要做的就是计算输入数据和最终价格之间的关系。3.建立一个简单的房价估值程序在深入研究更复杂的机器学习算法之前，让我们构建一个最简单的程序，根据它的属性来估计一个房子的价值。打开simple_value_estimator.py。在这里我们有一个功能叫做estimate_home_value。这个函数的目的是根据属性来估计一个房子的价格。这个函数包含两个属性来描述一个房子的大小，房子的平方英尺和卧室的数量。在函数的结尾处返回该房屋的预测值。要预测房子的价值，我们所要做的就是决定房子的大小和卧室的数量对房子的最终价值有多大的影响。def estimate_home_value(size_in_sqft, number_of_bedrooms):# Assume all homes are worth at least $50,000value =# Adjust the value estimate based on the size of the housevalue = value +(size_in_sqft *92)# Adjust the value estimate based on the number of bedroomsvalue = value +(number_of_bedrooms *)return value# Estimate the value of our house:#- 5 bedrooms#- 3800 sq ft# Actual value450,000value = estimate_home_value(3800,5)print("Estimated valued:")print(value)让我们先假设任何一个房子，不管多么小，至少值美元，所以我们可以从初始值估计美元开始。下一步，我们必须决定房子的大小对最终价值有多大影响。我猜每平方英尺值92美元，所以我们可以说现在的值是平方英尺乘以92。接下来，让我们看看卧室。似乎有理由认为拥有更多卧室的房子比卧室少的房子更有价值。对于每一个卧室，我要加上，比如说，美元的附加值。我们会说这个值是现在的值加上卧室的倍。最后，让我们试试这个函数，在真正的房子上试试，我们知道它的价格是美元。我们将在这里走过3800平方英尺和五个卧室。我们可以通过右击和选择运行来运行这个文件。值得一提的是，还有一个用于运行文件的键盘快捷方式，但在系统上可能会有所不同。对mac来说是 control+ Shift + F10。它将打开控制台，并显示我们程序的输出。我们的计划预测这房子价值美元。这真的接近我们预期的美元的价值。我们的估计工作得很好。在这个例子中，我们所做的就是取每一个输入值并乘以一个固定的权值。平方英尺的权重是92，卧室的权重是。换句话说，我们说房子的真正价值是它的大小和卧室的数量的组合。权重告诉我们这些因素在最终计算中有多少。用一组固定的权值建模某物价值的过程称为线性回归。它是最简单的机器学习算法之一，但随着机器学习的发展，计算机通过查找训练数据自动生成权值。接下来，我们将学习让计算机如何能自己找到最佳的权重。4.自动找到最佳权重上一节我们写了一个程序，通过将每一个属性乘以一个固定的权值来估计一个房子的价值，然后把它们加起来得到总的价值。我们写的函数和这个等式的数学完全相同。房子的价值＝+(总平方英尺X第一个权重)+(卧室个数X第二个权重)。但是我们如何知道每一个权值使用什么值，这样函数所产生的预测是不是准确的呢？诀窍在于将权重转换成计算机可以自己解决的优化问题。当我们训练机器学习算法时，我们要求它在训练数据集中找到最接近答案的最佳权重。首先，我们需要一些训练数据。这是我们三个房子的数据，我们可以用它来训练我们的算法。对于每一个房子，我们有卧室的数目，面积平方英尺，和家庭的实际价值。让我们为这三所已知的房子写出我们的房价等式。我只是从训练数据中替换了所有已知的值。每个方程中唯一未知的值是两个权值。我们的目标尽可能在所有这些方程里找到两个权重值。我们必须从某处开始。首先，让我们为每个权重选择完全随机猜测。我们将两者定为10。现在我们将通过评估每一个方程来看看效果如何。让我们用10代替每一个重量，然后评估每一个方程来得到我们的初始价格估计。看看每一栋房子的实际价格，与我们计算的相比，我们可以看到我们的估算与这些权重相当遥远。让我们量化一下目前的估计是多么糟糕。让我们从房子的实际价格中减去对每个房子的预测，然后把它们全部加起来。现在，让我们把方程中的每个项平方。每个房子的误差平方值较大。我们宁愿每个房子的估计都有一点小的误差，而不是某个房子误差太大。最后，让我们将整个数据与数据集中的房屋数分开。我们有三所房子，所以我们分三套。它给我们数据集中单个房子的平均平方误差。按照惯例，我们将把这个错误计算称为成本函数。它告诉我们当前的权重是错的多离谱，换句话说，就是当前模型的总成本。我们的目标是找到在我们的数据集中最小化所有房屋成本的权重。如果我们可以使成本等于零，那么我们的预测算法就是完美的。成本函数的价值越高，我们的预测就错的越离谱。让我们以更一般的方式重写完全相同的成本等式。这个等式是说总成本是每一个猜测和每个房子的实际值之间的平方差之和。然后整以房子的数目。现在我们有一个优化的成本函数，我们可以使用一个标准的数学优化算法来寻找函数的最小值。一个非常常见的优化算法可以用来解决这个问题:梯度下降(Gradient descent )。梯度下降(Gradient descent )是一种迭代优化算法，我们可以用它来找到最佳的权重。它的工作原理是在一个方向上微调每一个重量，使成本下降。以下是它的工作原理。首先，我们通过成本函数和随机起始权值来进行梯度下降。然后，通过反复调整权重，将权重值梯度下降成千上万次直到0，从而使成本函数尽可能接近零。最后，当梯度下降到成本无法下降时，将返回它找到的最佳权重。在我们的例子中，它会返回92.1和。让我们用梯度下降的权重再重新计算房价。分92.1和作为我们的权重。现在让我们计算一下我们的系统对每个房子价格的预测。我们可以看到这三个预测看起来都很好。它们都不是完美的，它们都非常接近各自房子的实际价值。让我们回顾一下我们如何为简单房价估值找到最佳的权重。首先，我们创建了一个方程来模拟问题，估算一套房子的价值。第二，我们创建了成本函数来量化模型中的错误。最后，我们使用梯度下降优化算法找到模型参数，尽量减少成本函数。我们将在本课程中使用的机器学习库将为我们处理所有这些计算，包括运行梯度下降。但是对幕后发生的事情有个基本的想法是很重要的，这样你就可以更好地理解什么样的问题可以用机器学习来解决。5.使用酷酷滴价值预测程序价值预测是一个非常有用的技术，因为我们可以用它来解决很多不同种类的问题。在这个过程中，我们的项目是建立一个系统，可以预测房子的价值，根据它的属性。但是只要你有训练数据，你就可以用完全相同的技术来评估任何产品。例如，我们可以建立一个系统，可以根据它的属性，比如它的年份，它的状况，颜色和里程来估计二手车的价值。或者我们可以建立一个系统,根据手机的特点和类似手机的过去销售情况来评估我们想转售的二手手机的价值。还有就是可以预测诈骗。当你在网上买东西或使用信用卡时，你支付的时候很可能要经过欺诈检测算法的检测。在这种情况下，该模型使用您购买的细节来决定您的这次支付是不是可能是欺诈的。如果该模型返回高欺诈的可能性，支付将被阻止。同样，价值预测被用来模拟控制发放住房贷款的风险。在这种情况下，输入是关于借款人的详细信息，输出是贷款偿还的可能性。这有助于银行决定哪些贷款值得冒风险。但价值预测并不局限于金融交易。例如，你可以建立一个模型，其中输入是电影评论中出现的词，输出是评论的正或负。这叫做情绪检测。它允许计算机查看一个人写的一段文字，并猜测人类是否正在写一个正面或负面的评论。医学领域的价值预测也有许多用途。机器学习模型经常被用来帮助医生阅读X射线和其他类型的医学图像。这些模型有时比砖家更可靠。人工智能研究人员甚至预测在五年内，计算机解析x光片将比放射科医师更牛逼可靠。值预测算法非常有用，因为很多问题可以被建模为价值预测问题。如果输入的算法是一张带摄像机的图片，输出是转动方向盘的角度和按下油门踏板的量----呐,你小子刚刚创建了一个简单的自动驾驶模型！学习如何将问题建模为一个价值预测问题是一项非常有用的技能。一旦你确定了输入和输出，你通常可以用机器学习来建立一个解决方案。今天内容有点多哈,但全是知识点啊朋友们,认真点哦.我先洗洗睡了如有错误请高手指正.你的关注-收藏-转发是我继续分享的动力!
余影子学会了上网,本大人向妙梦拿走了工资&◆◆◆真极客有钛度◆◆◆机器学习算法预测“实验室地震”绝对算得上是一个突破，这一突破不仅震惊了地质学家，还意味着机器学习用于真实地震的预测指日可待。——arXiv《新兴技术》2017年3月3日据统计，被地震夺走生命的人员数目十分可怕。每年大约有一万人死于地震和震后灾难，但实际的伤亡人数可能更多。2004年，苏门答腊岛海岸有超过230,000人在九级地震引起的海啸中丧生；2010年，超过200,000人死于海地七级地震；1556年，中国超过800,000人在一次地震中死亡。因此，我们期待着一个颇有成效的地震预测方法。在新墨西哥洲洛斯阿拉莫斯国家实验室里，Bertrand Rouet-Leduc和他的几个伙伴前段时间发现了一个相当惊人的秘密。他们训练了一个机器学习算法，让算法仅依靠那些由压力所产生的声音，去观察实验室地震即将发生时所显现的迹象。这个团队还不确定这一技术能否用于现实地震的预测，因此他们表现得十分谨慎；但是他们的这项技术和工作确实为地震预测领域的研究开辟了一条新路径。我首先来介绍一些相关的背景信息。长期以来，地质学家们都是可以预测出地震风险发生的近似概率，他们使用的方法是找出历史上地震断层的移动时间，凭借其中显现出来的一些周期性，来大致预测未来的断层移动时间。其中最有名的例子包括加州帕克菲尔德的圣安格烈亚斯断层——全球被研究得最仔细的断层之一。据记载，历史上发生在这里的地震的时间分别是1857年、1881年、1901年、1922年、1934年和1966年。这些数据暗示着在圣安格烈亚斯，大约每22年就会地震一次的模式和规律。因此地质学家们预测下一次地震将会发生在1988年到1993年之间，再下一次地震就应该是2004年。这大概就是地震预测所能达到的最好的水平了，在其他的绝大多数地方，震级的误差会更大。这样的预测有利于各种事项的实施，比如在地震多发区建立地震指标；但在地震发生时预防死亡是基本不可能的。因此，预测的时间跨度需要以天为单位，以达到更精准的预测。几乎没有证据能证明这种以天为单位的预测是可行的，尽管有很多传闻表明动物是能够感知即将发生的地震的。Rouet-Leduc和他的伙伴的工作很可能会对这种现象做出一些改变。通过拉扯一个被夹在两个积木中间的积木，他们在实验室里制造了人工地震。在这些积木的接触面上，他们叠加了一些叫做“断层泥”的岩石物质混合物，来模拟真实的断层。这种人工地震系统到现在已经得到了充分的研究。地质学家从中知道了，当地震即将发生时，“断层泥”就会开始掉落，并且伴随着断切发出“吱嘎”和“噼啪”的声音——一种特殊的“地震低语”，然后那块积木就会滑落，并且滑落的时间似乎是有周期性的。这一系统与真实的地震有着很多相似之处，比如说，滑块的大小分布与真实地震的大小分布是一样的，它能产生很多小的滑块和少数大的滑块——这种大小分布跟真实的地震一样，是符合了著名的“Gutenberg-Richter关系”的。因此，地质学家们确信，这个系统至少能模拟一部分现实世界的行为。现在为止，存在的疑问是：断层发生时发出的声音能否用来推测下次断层发生的时间呢？直到现在，还没有人在这些声音里发现能够被用于推测时间的一种固定模式。但是Rouet-Leduc已经着手使用一种全新的方法了。他们记录了试验中的所有发出的声音，然后将其输入至一个机器学习算法中。这样做是为了看看机器能否破解地质学家们现在无法破解的声音模式。这一尝试的结果令人非常惊喜，研究者们将一个声音的滑动窗口输入至了算法中，然后让它在每个可能发生地震的时刻作出即时预测。令研究者们感到惊讶的是，机器对即将发生的地震都给出了非常精确的预测，尽管有些地震并非是迫在眉睫的。他们说：“我们只是让算法去‘听’实验室断层发生时的声音信号，机器学习就能精确地预测出距离断层发生前的剩余时间。”其实真正的疑惑在于“机器到底是如何做到这一点的呢？”Rouet-Leduc假设地震前体可以比之前预想的要小很多，所以在现实生活中通常不会被记录下来。机器似乎已经发现了一个全新的信号，这一信号之前被地质学家们误认为是在实验室地震中产生的杂音。他们说：“我们的机器学习分析能为‘滑移物理’提供新的见解。”这是一项有趣的、并且具有重要意义的工作。它提出的首要的、最突出的问题是：相同的技术能否精确地预测现实中的地震？Rouet-Leduc和他的团队对这一方面非常感兴趣，他们指出，实验室的实验从各种重要的层面来说与现实中的地中都有着很大的不同：实验中的断切压力的震级大于现实地震的震级，而且断切的岩石的温度跟现实地震也不同。但是，在一些其他的层面上，实验室地震跟现实中的地震还是很相似的。所以，这个团队的下一个目标就是将这个相同的分析，应用到那些与实验室地震相似度最高的现实地震中去。帕克菲尔德地震就是其中一个这样的现实地震，帕克菲尔德在较短的时间内经历过多次重复地震。团队表示：“这些断裂层可能会像在实验室一样，发出‘地震低语’。”这个大测试当然将会被用于精确地预测现实中的地震，但这将是是一项需要长年仔细研究、观察的艰巨任务。与此同时，这项技术也能应用于类似地震的其他材料的预测，比如说飞机和发电站里的涡轮机。无论这项新技术被如何应用，Rouet-Leduc都已经在地质学界掀起了不小的波澜。就像他们自己在总结中所说的：“地震科学进步和发展的舞台已经准备就绪了。”钛极客∣一个关于黑科技的公号长按，识别二维码，加关注