Récemment, des chercheurs de l'université de Californie à Berkeley et d'autres institutions ont publié un article décrivant un modèle d'apprentissage profond nommé RECAST, conçu pour améliorer la prédiction des séismes. Ce modèle, basé sur un modèle génératif de réseau neuronal, peut être entraîné sur des ensembles de données sismiques historiques beaucoup plus vastes. Comparé au modèle standard ETAS, RECAST offre une flexibilité accrue.
Les chercheurs ont utilisé l'accélération GPU pour entraîner le modèle et l'ont testé dans plusieurs régions. Les résultats montrent que RECAST présente une précision de prédiction sismique significativement supérieure à celle d'ETAS.
Ils prévoient de rendre ce modèle open source afin que davantage d'équipes puissent le tester et l'améliorer itérativement, contribuant ainsi à une amélioration globale de la prédiction sismique.
