根据最近在《JGR固体地球》上发表的一项研究，一种生成现实地震波形的新的机器学习模型将减少体力劳动并改善地震检测能力。

洛斯阿拉莫斯国家实验室地球物理学小组的计算科学家，该项目的主要研究人员说：“为了验证我们生成的模型的有效性，我们将其应用于俄克拉荷马州收集的地震场数据。” “通过一系列定性和定量测试和基准，我们看到我们的模型可以生成高质量的合成波形，并改进基于机器学习的地震检测算法。”

快速准确地检测地震可能是一项艰巨的任务。人们长期以来进行的视觉检测一直被认为是黄金标准，但是需要大量的体力劳动，而这些体力劳动很难将其扩展到大数据集。近年来，基于机器学习的自动检测方法提高了数据收集的准确性和效率。但是，这些方法的准确性取决于对大量高质量，带标签的训练数据的访问，这些数据通常是成千上万条甚至更多条记录。

为了解决这一数据难题，研究团队基于生成对抗网络(GAN)开发了SeismoGen ，这是一种深度生成模型，可以在多个域中生成高质量的合成样本。换句话说，深度生成模型会训练机器做事并创建可以真实传递的新数据。

一旦经过训练，SeismoGen模型便能够生成多个标签的逼真的地震波形。研究小组将其应用于俄克拉荷马州的真实地球地震数据集时，发现在只有少量带标签的训练数据的情况下，SeismoGen生成的合成波形的数据增强可用于改进地震检测算法。