为稀疏数据开发的机器学习方法可以可靠地预测实验室地震中的断层滑动，并且可能是预测现场断层滑动和潜在地震的关键。洛斯阿拉莫斯国家实验室团队的研究建立在他们之前成功的基础上，该方法使用数据驱动的方法，这些方法适用于地球上的慢滑事件，但在产生相对较少数据但产生大地震的大规模粘滑断层上却失败了。

“大地震之间很长的时间跨度限制了数据集，因为大断层可能每 50 到 100 年或更长时间才滑动一次，这意味着地震学家几乎没有机会收集机器学习所需的大量观测数据，”保罗说约翰逊是洛斯阿拉莫斯的地球物理学家，也是Nature Communications上一篇新论文“通过转移学习预测断层滑动”的合著者。

约翰逊说，为了弥补有限的数据，该团队根据实验室地震数值模拟的输出以及来自实验室实验的一小组数据训练了一个卷积神经网络。然后他们能够在剩余的未见实验室数据中预测断层滑动。

Johnson 说，这项研究是转移学习首次应用于数值模拟以预测实验室实验中的断层滑动，并且没有人将其应用于地球观测。

通过迁移学习，研究人员可以从一个模型推广到另一个模型，以此作为克服数据稀疏性的一种方式。该方法使实验室团队能够在他们早期的数据驱动机器学习实验的基础上成功预测实验室地震中的滑动，并将其应用于模拟中的稀疏数据。具体来说，在这种情况下，迁移学习是指在一种类型的数据(模拟输出)上训练神经网络，并将其应用到另一种(实验数据)上，另外还对一小部分实验数据进行训练。

“当我意识到我们可以采取这种方法进入地球时，我们的啊哈时刻到来了，”约翰逊说。“我们可以模拟地球上的地震断层，然后通过相同类型的交叉训练，在滑动周期的一部分期间合并来自实际断层的数据。” 目的是预测圣安德烈亚斯等发震断层中的断层运动，那里的数据受到罕见地震的限制。

该团队首先对实验室地震进行了数值模拟。这些模拟涉及构建数学网格并插入值以模拟故障行为，有时这只是很好的猜测。

对于本文，卷积神经网络包含一个编码器，该编码器将模拟的输出归结为其关键特征，这些特征在编码器和解码器之间的模型隐藏或潜在空间中进行编码。这些特征是可以预测断层滑动行为的输入数据的本质。

神经网络解码简化的特征以估计任何给定时间故障上的摩擦。在对这种方法的进一步改进中，模型的潜在空间在一小部分实验数据上进行了额外的训练。有了这种“交叉训练”，神经网络在输入来自不同实验的看不见的数据时准确地预测了断层滑动事件。