Scienze matematiche per l’intelligenza artificiale

Overview: Questo corso fornisce una base sulla fisica dei terremoti e un riassume le tecniche di machine learning usate per investigare e prevedere le caratteristiche geofisiche delle faglie General objectives: Sviluppare la teoria delle leggi costitutive dell'attrito per una faglia, studiare la nucleazione dei terremoti e la propagazione dinamica della rottura sismica. Fornire un background di base sulla fisica dei terremoti per comprendere i parametri della sorgente e le leggi di scala dei terremoti. Introdurre i concetti di indebolimento della faglia durate l’inizio della rottura elastodinamica. Specific objectives: Fornire un riepilogo motivazionale sui progressi ottenuti dall'uso dell'AI nel prevedere i terremoti in laboratorio ed espandere questa conoscenza alle faglie naturali. Discutere i meccanismi fisici e i metodi di AI per: 1) identificare precursori chiari e coerenti prima dei terremoti di laboratorio, 2) migliorare la detezione dei terremoti mediante metodi di AI automatizzati, 3) utilizzare una serie di micro-eventi per predire il fagliamento principale e più energetico con particolare attenzione ai terremoti di laboratorio. Knowledge and understanding: Gli studenti acquisiranno conoscenze sulla scienza dei terremoti, sulle leggi costitutive dell'attrito e sui metodi per prevedere la sismicità. Application of knowledge and understanding: Gli studenti acquisiranno conoscenza sui terremoti, sulle faglie e sui loro meccanismi di indebolimento che portano al passaggio da uno scivolamento sismico stabile a una rottura completamente dinamica. La localizzazione e la tempistica di enucleazione dei terremoti saranno collocati nel contesto della teoria della tettonica a placche e della deformazione su larga scala della crosta terrestre. Autonomy of judgment: Gli studenti acquisiranno familiarità con la scienza dei terremoti, le faglie e la previsione dei terremoti. Communication skills: Gli studenti miglioreranno le capacità di comunicare attraverso la discussione in aula e la lettura critica della letteratura scientifica.

Capacità di leggere l'inglese. Interesse a migliorare la propria capacità di scrivere e imparare in inglese e di parlare di ML e terremoti

Articles from the literature such as: Lubbers, N., Barros, K.,Humphreys, C. J., & Johnson, P. A.(2017). Machine learningpredicts laboratory earth-quakes.Geophysical ResearchLetters,44, 9276–9282. https://doi.org/10.1002/2017GL074677 Borat, P. Rivière, J, Marone, C., Mali, A, Kifer, D. and P. Shokouhi, Using a physics-informed neural network and fault zone acoustic monitoring to predict lab earthquakes, Nat. Comm., 14:3693, doi.org/10.1038/s41467-023-39377-6, 2023 Laurenti, L., Tinti, E., Galasso, F., Franco, L., and C. Marone, Deep learning for laboratory earthquake prediction and autoregressive forecasting of fault zone stress, Earth and Plan. Sci. Lett., 598, 117825, doi.org/10.1016/j.epsl.2022.117825, 2022 Jaspereson, H., Bolton, D. C., Johnson, P. A., Guyer, R., Marone, C. and M. V. de Hoop, Attention network forecasts time-to-failure in laboratory shear experiments, J. Geophys. Res. Solid Earth, 126, 10.1029/2021JB022195, 2021. Johnson, P.A., Rouet-Leduc, B., Pyrak-Nolte, L.J., Beroza, G.C., Marone, C., Hulbert, C., Howard, A., Singer, P., Gordeev, D., Karaflos, D., Levinsong, C.J., Pfeiffer, P., Puk, K. M, and W. Reade, Laboratory earthquake forecasting: a machine learning competition, Proc. Natl. Acad. Sci., 118, 10.1073/pnas.2011362118, 2021. Shokouhi, P., Girkar, V., Rivière, J., Shreedharan, S., Marone, C., Giles, C. L., and D. Kifer, Deep learning can predict laboratory quakes from active source seismic data, Geophys. Res. Lett., 10.1029/2021GL093187, 2021.
 Shreedharan, S., Bolton, D. C., Rivière, J., and C. Marone, Competition between preslip and deviatoric stress modulates precursors for laboratory earthquakes, Earth and Plan. Sci. Lett., 553, 10.1016/j.epsl.2020.116623, 2021. Shreedharan, S., Bolton, D. C., Rivière, J., and C. Marone, Machine learning predicts the timing and shear stress evolution of lab earthquakes using active seismic monitoring of fault zone processes, J. Geophys. Res. Solid Earth, 126, 10.1029/2020JB021588, 2021. Bolton, D. C., Shokouhi, P., Rouet-Leduc, B., Hulbert, C., Rivière, J., Marone, C., and P. A. Johnson, Characterizing acoustic precursors to laboratory stick-slip failure events using unsupervised machine learning, Seis. Res. Letts., 10.1785/0220180367, 2019. Hulbert, C., Rouet-Leduc, B., Johnson, P. A., Ren, C. X., Rivière, J., Bolton, D. C., and C. Marone, Machine learning predictions illuminate similarity of fast and slow laboratory earthquakes, Nat. Geosc., 12, 69-74, 10.1038/s41561-018-0272-8, 2019. Lubbers, N., Bolton, D. C., Mohd-Yusof, J. Marone, C., Barros, K. and P. A. Johnson, Earthquake catalog-based machine learning identification of laboratory fault states and the effects of magnitude of completeness, Geophys. Res. Lett., 45, 13,269–13,276, 10.1029/2018GL079712, 2018. Marone, C., Training machines in Earthly ways, Nature Geosc., 11, 301-302, 2018. Rivière, J., Lv, Z., Johnson, P. A., and C. Marone, Evolution of b-value during the seismic cycle: Insights from laboratory experiments on simulated faults, Earth and Plan. Sci. Lett., 482, 407–413, 10.1016/j.epsl.2017.11.036, 2018. Rouet-Leduc, B., Hulbert, C., Bolton, D. C., Ren, C. X., Rivière, J., Marone C., Guyer, R. A., and P. A. Johnson, Estimating fault friction from seismic signals, Geophys. Res. Lett., 10.1002/2017GL076708, 2018.

The course is optional

Presentazione orale di uno studio sperimentale di fisica dei terremoti e ML

l'informazione è qui: https://elearning.uniroma1.it/course/view.php?id=18459