2008年1月1日凌晨1點59分，加利福尼亞州卡利帕特里亞發(fā)生了一次地震。你可能從未聽說過這次地震；即使你當時住在卡利帕特里亞，也不會感覺到任何震動。這次地震的震級為-0.53級，產(chǎn)生的震動相當于一輛卡車經(jīng)過時的震動。然而，這次地震值得注意，不是因為它強度大，而是因為它很小——但我們卻知道它的存在。

在過去的七年中，基于計算機成像的AI工具幾乎完全自動化了地震學的一項基本任務：地震檢測。曾經(jīng)需要人類分析師完成的工作——后來是更簡單的計算機程序——現(xiàn)在可以通過機器學習工具自動快速完成。

這些機器學習工具能夠檢測到比人類分析師更小的地震，特別是在城市等噪聲環(huán)境中。地震能夠提供關于地球構成和未來可能發(fā)生的危險的寶貴信息。

《地震洞察》通訊的共同作者凱爾·布拉德利說："在最佳情況下，當你采用這些新技術時，即使是在相同的舊數(shù)據(jù)上，這就像第一次戴上眼鏡一樣，你可以看到樹上的葉子。"

我與幾位地震科學家交談，他們都認為機器學習方法在這些特定任務上已經(jīng)更好地取代了人類。

康奈爾大學教授、布拉德利的共同作者朱迪思·哈伯德告訴我："這真的很了不起。"

不太確定的是接下來會發(fā)生什么。地震檢測是地震學的基本組成部分，但還有許多其他數(shù)據(jù)處理任務尚未被顛覆。最大的潛在影響，一直到地震預報，還沒有實現(xiàn)。

得克薩斯大學達拉斯分校教授喬·伯恩斯說："這確實是一場革命。但革命還在進行中。"

地震學家做什么

當?shù)卣鹪谀硞€地方發(fā)生時，震動會穿過地面?zhèn)鞑ィ愃朴诼暡ㄔ诳諝庵袀鞑サ姆绞?。在這兩種情況下，都可以對波傳播通過的材料進行推斷。

想象敲擊墻壁來判斷它是否是空心的。因為實心墻的振動與空心墻不同，你可以通過聲音來判斷結構。

對于地震，同樣的原理適用。地震波穿過不同材料（巖石、石油、巖漿等）的方式不同，科學家利用這些振動來成像地球內(nèi)部。

科學家傳統(tǒng)使用的主要工具是地震儀。這些設備記錄地球在三個方向上的運動：上下、南北和東西。如果發(fā)生地震，地震儀可以測量該特定位置的震動。

然后科學家處理原始地震儀信息來識別地震。

地震產(chǎn)生多種類型的震動，它們以不同的速度傳播。兩種類型，縱波（P波）和橫波（S波）特別重要，科學家喜歡識別這些階段的開始時間。

機器學習之前的地震發(fā)現(xiàn)

在有好的算法之前，地震編目必須手工完成。伯恩斯說："傳統(tǒng)上，像美國地質(zhì)調(diào)查局這樣的實驗室會有一支主要由本科生或實習生組成的隊伍來查看地震圖。"

然而，你能手動找到和分類的地震數(shù)量是有限的。創(chuàng)建有效找到和處理地震的算法長期以來一直是該領域的優(yōu)先事項——特別是自1950年代早期計算機出現(xiàn)以來。

布拉德利告訴我："地震學領域歷史上總是隨著計算的進步而進步。"

然而，傳統(tǒng)算法面臨一個大挑戰(zhàn)：它們不能輕易找到較小的地震，特別是在噪聲環(huán)境中。

正如我們在上面的地震圖中看到的，許多不同的事件都可能引起地震信號。如果方法過于敏感，就有誤將事件檢測為地震的風險。這個問題在城市中特別嚴重，那里持續(xù)的交通和建筑物噪音可能會淹沒小地震。

然而，地震有一個特征性的"形狀"。例如，上面的7.7級地震看起來與直升機著陸完全不同。

所以科學家的一個想法是從人工標記的數(shù)據(jù)集制作模板。如果新的波形與現(xiàn)有模板密切相關，那么它幾乎肯定是地震。

如果你有足夠的人工標記示例，模板匹配效果很好。2019年，加州理工學院扎克·羅斯的實驗室使用模板匹配在南加州發(fā)現(xiàn)了比以前已知的多10倍的地震，包括本文開頭的那次地震。他們發(fā)現(xiàn)的160萬次新地震幾乎都很小，震級在1級及以下。

然而，如果你沒有廣泛的預先存在的模板數(shù)據(jù)集，就不能輕易應用模板匹配。這在南加州不是問題——那里已經(jīng)有了震級1.7以下地震的基本完整記錄——但在其他地方是一個挑戰(zhàn)。

此外，模板匹配在計算上很昂貴。使用模板匹配創(chuàng)建南加州地震數(shù)據(jù)集需要200個英偉達P100 GPU連續(xù)運行數(shù)天。

必須有更好的方法。

Earthquake Transformer的分解

AI檢測模型解決了所有這些問題：

它們比模板匹配更快。

因為AI檢測模型非常小（大約35萬個參數(shù)，相比之下GPT4.0等大語言模型有數(shù)十億個參數(shù)），它們可以在消費級CPU上運行。

AI模型能很好地泛化到原始數(shù)據(jù)集中未表示的區(qū)域。

作為額外的好處，AI模型可以提供關于不同類型地震震動何時到達的更好信息。計時兩種最重要波的到達——P波和S波——被稱為震相拾取。它允許科學家對地震結構進行推斷。AI模型可以在地震檢測的同時完成這項工作。

地震檢測（和震相拾?。┑幕救蝿帐沁@樣的：

前三行分別代表不同的振動方向（東西、南北和上下）。給定這三個振動維度，我們能否確定是否發(fā)生了地震，如果是，何時開始？

我們想要檢測初始P波，它直接從地震現(xiàn)場到達。但這可能很棘手，因為P波的回聲可能會從其他巖層反射并稍后到達，使波形更加復雜。

理想情況下，我們的模型在樣本中的每個時間步都輸出三樣東西：

那一刻發(fā)生地震的概率。

第一個P波在那一刻到達的概率。

第一個S波在那一刻到達的概率。

我們在第四行看到所有三個輸出：綠色的檢測、藍色的P波到達和紅色的S波到達。（此樣本中有兩次地震。）

為了訓練AI模型，科學家獲取大量標記數(shù)據(jù)，如上所示，并進行監(jiān)督訓練。我將描述最常用的模型之一：Earthquake Transformer，它是由斯坦福大學團隊在2020年左右開發(fā)的，該團隊由S. Mostafa Mousavi領導，他后來成為哈佛教授。

像許多地震檢測模型一樣，Earthquake Transformer改編了圖像分類的想法。讀者可能熟悉AlexNet，這是一個著名的圖像識別模型，它在2012年啟動了深度學習熱潮。

AlexNet使用卷積，這是一種神經(jīng)網(wǎng)絡架構，基于物理上接近的像素更可能相關的想法。AlexNet的第一個卷積層將圖像分解為小塊——邊長11個像素——并基于邊緣或梯度等簡單特征的存在對每個塊進行分類。

下一層將第一層的分類作為輸入，并檢查更高級別的概念，如紋理或簡單形狀。

每個卷積層分析圖像的更大部分，并在更高的抽象級別上操作。到最后幾層，網(wǎng)絡正在查看整個圖像并識別像"蘑菇"和"集裝箱船"這樣的物體。

圖像是二維的，所以AlexNet基于二維卷積。相比之下，地震圖數(shù)據(jù)是一維的，所以Earthquake Transformer在時間維度上使用一維卷積。第一層分析0.1秒塊中的振動數(shù)據(jù)，而后面的層識別逐漸更長時間段內(nèi)的模式。

很難說地震模型正在挑選出什么確切的模式，但我們可以將此類比為使用一維卷積的假設音頻轉錄模型。該模型可能首先識別輔音，然后是音節(jié)，然后是單詞，然后是在增加的時間尺度上的句子。

Earthquake Transformer將原始波形數(shù)據(jù)轉換為一系列高級表示，這些表示指示地震和其他地震學上重要事件的可能性。接下來是一系列反卷積層，精確定位地震——及其至關重要的P波和S波——何時發(fā)生。

該模型還在模型中間使用注意力層來混合時間序列不同部分之間的信息。注意力機制在大語言模型中最為著名，在那里它有助于在單詞之間傳遞信息。它在地震檢測中發(fā)揮類似作用。地震地震圖有一般結構：P波后跟S波后跟其他類型的震動。所以如果一個片段看起來像P波的開始，注意力機制幫助它檢查是否符合更廣泛的地震模式。

擴展地震數(shù)據(jù)

Earthquake Transformer的所有組件都是神經(jīng)網(wǎng)絡文獻中的標準設計。其他成功的檢測模型，如PhaseNet，甚至更簡單。PhaseNet僅使用一維卷積來拾取地震波的到達時間。沒有注意力層。

根據(jù)伯恩斯的說法，一般來說，"為地震學發(fā)明新架構的需要不多"。從圖像處理衍生的技術已經(jīng)足夠了。

那么是什么讓這些通用架構如此有效呢？數(shù)據(jù)。大量的數(shù)據(jù)。

Ars之前報道過ImageNet（圖像識別基準）的引入如何幫助引發(fā)深度學習熱潮。大型、公開可用的地震數(shù)據(jù)集在地震學中發(fā)揮了類似作用。

Earthquake Transformer使用斯坦福地震數(shù)據(jù)集（STEAD）進行訓練，該數(shù)據(jù)集包含來自世界各地的120萬個人工標記的地震圖數(shù)據(jù)段。（STEAD的論文明確提到ImageNet作為靈感）。其他模型，如PhaseNet，也在數(shù)十萬或數(shù)百萬個標記段上進行訓練。

數(shù)據(jù)和架構的結合就是有效的。根據(jù)伯恩斯的說法，當前的模型在識別和分類地震方面"好得令人發(fā)笑"。通常，機器學習方法發(fā)現(xiàn)的地震是以前在一個地區(qū)識別的10倍或更多。你可以在意大利地震目錄中直接看到這一點：

AI工具不一定會比模板匹配檢測到更多地震。但基于AI的技術在計算和勞動強度上要少得多，使它們更容易被一般研究項目使用，更容易在世界各地區(qū)應用。

總的來說，這些機器學習模型非常好，它們幾乎完全取代了檢測和震相拾取地震的傳統(tǒng)方法，特別是對于較小的震級。

所有這些AI東西有什么用

地震科學的圣杯是地震預測。例如，科學家知道西雅圖附近會發(fā)生大地震，但幾乎無法知道它是明天還是一百年后會發(fā)生。如果我們能夠足夠精確地預測地震，允許受影響地區(qū)的人們撤離，那將很有幫助。

你可能認為AI工具會幫助預測地震，但這似乎還沒有發(fā)生。

康奈爾大學的朱迪思·哈伯德說，應用更多的是技術性的，不那么引人注目。

更好的AI模型為地震學家提供了更全面的地震目錄，布拉德利說，這解鎖了"許多不同的技術"。

最酷的應用之一是理解和成像火山?；鹕交顒赢a(chǎn)生大量小地震，其位置幫助科學家理解巖漿系統(tǒng)的結構。在2022年的一篇論文中，約翰·懷爾丁和合作者使用大型AI生成的地震目錄創(chuàng)建了夏威夷火山系統(tǒng)結構的令人難以置信的圖像。

他們提供了深部Pāhala巖盤群與茂納洛亞火山淺層火山結構之間先前假設的巖漿連接的直接證據(jù)。你可以在圖像中看到這一點，箭頭標記為Pāhala-茂納洛亞地震活動帶。作者還能夠將Pāhala巖盤群的結構澄清為離散的巖漿層。這種細節(jié)水平可能有助于更好的地震實時監(jiān)測和更準確的噴發(fā)預報。

另一個有前景的領域是降低處理大型數(shù)據(jù)集的成本。分布式聲學傳感（DAS）是一種強大的技術，使用光纖電纜來測量電纜整個長度上的地震活動。根據(jù)休斯頓大學教授李嘉軒的說法，單個DAS陣列每天可以產(chǎn)生"數(shù)百GB的數(shù)據(jù)"。這么多數(shù)據(jù)可以產(chǎn)生極高分辨率的數(shù)據(jù)集——足以挑選出個人腳步。

AI工具使得在DAS數(shù)據(jù)中非常準確地計時地震成為可能。在DAS數(shù)據(jù)中引入AI震相拾取技術之前，李和他的一些合作者試圖使用傳統(tǒng)技術。雖然這些技術"大致有效"，但它們對于下游分析來說不夠準確。沒有AI，他的許多工作會"困難得多"，他告訴我。

李也很樂觀，AI工具將來能夠幫助他在豐富的DAS數(shù)據(jù)中分離"新類型的信號"。

并非所有AI技術都有回報

與許多其他科學領域一樣，地震學家面臨采用AI方法的一些壓力，無論它們是否與他們的研究相關。

伯恩斯說："學校希望你在一切面前都加上AI這個詞。這有點失控了。"

這可能導致技術上合理但實際上無用的論文。哈伯德和布拉德利告訴我，他們看到很多基于AI技術的論文"揭示了對地震如何工作的根本誤解"。

他們指出，研究生可能會感到專門從事AI方法的壓力，而代價是減少對科學領域基礎知識的學習。他們擔心如果這種AI驅動的研究根深蒂固，舊方法會被"一種無意義性擊敗"。

雖然這些是真實的問題，Understanding AI之前也報道過，但我認為它們并不減損AI地震檢測的成功。在過去五年中，基于AI的工作流程幾乎完全取代了地震學中的一項基本任務，并且做得更好。

這相當酷。

Q&A

Q1：AI地震檢測技術與傳統(tǒng)方法相比有什么優(yōu)勢？

A：AI地震檢測技術比傳統(tǒng)方法快得多，可以在消費級CPU上運行，能夠檢測到比人類分析師更小的地震，特別是在城市等噪聲環(huán)境中。通常機器學習方法能發(fā)現(xiàn)比以前識別的多10倍或更多的地震，在計算和勞動強度上也比模板匹配要少得多。

Q2：Earthquake Transformer是如何工作的？

A：Earthquake Transformer使用一維卷積來分析地震波形數(shù)據(jù)，第一層分析0.1秒的振動數(shù)據(jù)塊，后續(xù)層識別更長時間段的模式。它還使用注意力機制來混合時間序列不同部分的信息，幫助識別地震的整體模式。該模型能輸出地震發(fā)生概率以及P波和S波到達的時間。

Q3：AI地震檢測技術目前有哪些實際應用？

A：目前主要應用包括創(chuàng)建更全面的地震目錄、理解和成像火山結構、降低處理大型數(shù)據(jù)集的成本等。例如，科學家利用AI生成的地震目錄成功成像了夏威夷火山系統(tǒng)結構，發(fā)現(xiàn)了巖漿連接的直接證據(jù)。在分布式聲學傳感技術中，AI工具也能非常準確地計時地震。