論文の概要: Gemini & Physical World: Large Language Models Can Estimate the Intensity of Earthquake Shaking from Multi-Modal Social Media Posts
- arxiv url: http://arxiv.org/abs/2405.18732v3
- Date: Fri, 14 Jun 2024 17:12:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-17 18:23:16.556163
- Title: Gemini & Physical World: Large Language Models Can Estimate the Intensity of Earthquake Shaking from Multi-Modal Social Media Posts
- Title（参考訳）: Gemini & Physical World: 大規模言語モデルはマルチモーダルソーシャルメディアポストから地震の震度を推定できる
- Authors: S. Mostafa Mousavi, Marc Stogaitis, Tajinder Gadh, Richard M Allen, Alexei Barski, Robert Bosch, Patrick Robertson, Nivetha Thiruverahan, Youngmin Cho, Aman Raj,
- Abstract要約: マルチモーダルなソーシャルメディアポストから地震震度を推定する。
Googleのジェミニモデルは、地震の大きさ、距離、MMI強度の一般的な関係を単純化した理解を示している。
- 参考スコア（独自算出の注目度）: 2.0316887295826835
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a novel approach to extract scientifically valuable information about Earth's physical phenomena from unconventional sources, such as multi-modal social media posts. Employing a state-of-the-art large language model (LLM), Gemini 1.5 Pro (Reid et al. 2024), we estimate earthquake ground shaking intensity from these unstructured posts. The model's output, in the form of Modified Mercalli Intensity (MMI) values, aligns well with independent observational data. Furthermore, our results suggest that LLMs, trained on vast internet data, may have developed a unique understanding of physical phenomena. Specifically, Google's Gemini models demonstrate a simplified understanding of the general relationship between earthquake magnitude, distance, and MMI intensity, accurately describing observational data even though it's not identical to established models. These findings raise intriguing questions about the extent to which Gemini's training has led to a broader understanding of the physical world and its phenomena. The ability of Generative AI models like Gemini to generate results consistent with established scientific knowledge highlights their potential to augment our understanding of complex physical phenomena like earthquakes. The flexible and effective approach proposed in this study holds immense potential for enriching our understanding of the impact of physical phenomena and improving resilience during natural disasters. This research is a significant step toward harnessing the power of social media and AI for natural disaster mitigation, opening new avenues for understanding the emerging capabilities of Generative AI and LLMs for scientific applications.
- Abstract（参考訳）: 本稿では,マルチモーダルなソーシャルメディア投稿など,従来と異なる情報源から,地球物理現象に関する科学的に価値のある情報を抽出するための新しいアプローチを提案する。
現状の大規模言語モデル (LLM) , Gemini 1.5 Pro (Reid et al 2024) を用いて, これらの非構造ポストから震源震度を推定する。
このモデルの出力は、MMI(Modified Mercalli Intensity)値の形で、独立した観測データとよく一致している。
さらに, LLMは, 膨大なインターネットデータに基づいて訓練され, 物理現象のユニークな理解が得られた可能性が示唆された。
具体的には、GoogleのGeminiモデルは、地震の大きさ、距離、MMI強度の一般的な関係を単純化した理解を示し、既存のモデルと同一ではないにもかかわらず、観測データを正確に記述している。
これらの発見は、ジェミニの訓練が物理的世界とその現象のより広い理解に繋がった程度について興味深い疑問を提起する。
Geminiのような生成AIモデルが、確立した科学的知識と整合した結果を生成する能力は、地震のような複雑な物理現象に対する理解を深める可能性を強調している。
本研究で提案されるフレキシブルかつ効果的なアプローチは, 自然災害時の物理的現象の影響の理解を深め, レジリエンスを向上させる大きな可能性を秘めている。
この研究は、ソーシャルメディアとAIの力を自然災害軽減に活用するための重要なステップであり、科学応用のためのジェネレーティブAIとLLMの出現する能力を理解するための新たな道を開く。
関連論文リスト
- Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。
モチベーションと背景の概要から始まり、続いて基本概念が導入された。
我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
論文 参考訳（メタデータ） (2024-10-22T01:08:21Z) - Towards World Simulator: Crafting Physical Commonsense-Based Benchmark for Video Generation [51.750634349748736]
テキスト・ツー・ビデオ(T2V)モデルは複雑なプロンプトの可視化に大きく貢献している。
しかし、直感的な物理を正確に表現するこれらのモデルの能力はほとんど解明されていない。
本稿では,T2V生成における物理コモンセンスの正しさを評価するためにPhyGenBenchを導入する。
論文 参考訳（メタデータ） (2024-10-07T17:56:04Z) - Learning Physics for Unveiling Hidden Earthquake Ground Motions via Conditional Generative Modeling [43.056135090637646]
地盤運動の条件生成モデル(CGM-GM)
本研究では, 高周波・空間連続地震動波形を合成する人工知能シミュレータを提案する。
CGM-GMは、最先端の非エルゴディックな地上運動モデルよりも優れた可能性を示す。
論文 参考訳（メタデータ） (2024-07-21T08:23:37Z) - Neural Plasticity-Inspired Multimodal Foundation Model for Earth Observation [48.66623377464203]
我々の新しいアプローチは、脳科学における神経可塑性の概念を活用する、ダイナミックワンフォーオール(DOFA)モデルを導入している。
このダイナミックなハイパーネットワークは、異なる波長に調整され、5つのセンサーのデータに基づいて1つの多目的トランスフォーマーを共同で訓練し、12の異なる地球観測タスクを遂行することを可能にする。
論文 参考訳（メタデータ） (2024-03-22T17:11:47Z) - Exploring Challenges in Deep Learning of Single-Station Ground Motion
Records [0.0]
実験の結果,P相とS相の到着情報に強く依存していることが判明した。
本研究は, 現場における潜在的なギャップを浮き彫りにして, 単一局地動記録の深層学習のためのロバストな手法が欠如していることを示唆する。
論文 参考訳（メタデータ） (2024-03-12T11:56:50Z) - The Essential Role of Causality in Foundation World Models for Embodied AI [102.75402420915965]
身体的なAIエージェントは、さまざまな現実世界環境で新しいタスクを実行する能力を必要とします。
現在の基礎モデルは物理的相互作用を正確にモデル化することができないため、Embodied AIには不十分である。
因果関係の研究は、検証世界モデルの構築に寄与する。
論文 参考訳（メタデータ） (2024-02-06T17:15:33Z) - Data-Driven Prediction of Seismic Intensity Distributions Featuring
Hybrid Classification-Regression Models [21.327960186900885]
本研究では, 地震パラメータに基づいて地震強度分布を予測できる線形回帰モデルを開発した。
このデータセットは、1997年から2020年にかけて日本近海で発生した地震の震度データからなる。
提案モデルでは, 従来のGMPEにおける課題として, 異常な震度分布を予測できる。
論文 参考訳（メタデータ） (2024-02-03T13:39:22Z) - MultiIoT: Benchmarking Machine Learning for the Internet of Things [70.74131118309967]
次世代の機械学習システムは、物理的世界に対する知覚と相互作用に長けなければならない。
運動、熱、位置情報、深度、無線信号、ビデオ、オーディオからの知覚データは、物理環境の状態をモデル化するためにますます使われています。
既存の取り組みは、しばしば単一の感覚的モダリティまたは予測タスクに特化している。
本稿は、12のモダリティと8つの現実世界タスクから115万以上のサンプルを含む、これまでで最も拡張的で統一されたIoTベンチマークであるMultiIoTを提案する。
論文 参考訳（メタデータ） (2023-11-10T18:13:08Z) - Controlling earthquake-like instabilities using artificial intelligence [0.0]
本研究は, 強化学習を通じて得られた注入ポリシーの適用により, 破滅的な事態を避けることを目的とする。
最先端の深層補強学習手法を用いて地震様不安定性を制御する可能性を示した。
論文 参考訳（メタデータ） (2021-04-27T13:39:58Z) - Towards advancing the earthquake forecasting by machine learning of
satellite data [22.87513332935679]
本研究では,6マグニチュード以上の1,371地震の衛星データに基づく短期予測を行うための新しい機械学習手法であるInverse Boosting Pruning Trees(IBPT)を開発した。
提案手法は,選択された6つのベースラインを上回り,異なる地震データベースの地震予測の可能性を向上する強力な能力を示す。
論文 参考訳（メタデータ） (2021-01-31T02:29:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。