人工智能正在彻底改变地震学领域，特别是在地震检测方面取得了突破性进展。过去需要人工分析师和简单计算机程序完成的任务，现在可以通过机器学习工具自动快速完成。这些AI工具能够检测到人类分析师难以发现的小型地震，特别是在城市等嘈杂环境中。正如地震学专家凯尔·布拉德利所说："采用这些新技术后，即使在相同的老数据上，也像是第一次戴上眼镜，突然能够看清树上的叶子一样。"
地震学家的传统工作
当地震在一个地方发生时，震动会穿过地面，类似于声波在空气中传播。在这两种情况下，都可以推断出波所穿过的材料特性。
想象一下敲击墙壁以判断它是否是中空的。由于实心墙壁和空心墙壁的振动方式不同，你可以通过声音判断其结构。
地震同样遵循这一原理。地震波以不同方式穿过不同材料（岩石、石油、熔岩等），科学家利用这些振动来成像地球内部。
科学家传统使用的主要工具是地震仪。这些设备记录地球在三个方向上的运动：上下、南北和东西。如果发生地震，地震仪可以测量特定位置的震动。
传统的物理地震仪。如今，地震仪以数字方式记录数据。
科学家随后处理原始地震仪信息以识别地震。
机器学习前的地震探测
在良好的算法出现之前，地震目录必须手动创建。伯恩斯表示："传统上，美国地质调查局这样的实验室会有一群主要由本科生或实习生组成的团队查看地震图。"
然而，手动可以找到和分类的地震数量有限。开发有效查找和处理地震的算法长期以来一直是该领域的优先事项——特别是在20世纪50年代初计算机出现之后。
布拉德利告诉我："地震学领域的历史发展始终与计算技术的进步同步。"
然而，传统算法存在一个大挑战：它们不容易找到小型地震，特别是在嘈杂的环境中。
常见事件的复合地震图。注意每个事件都有略微不同的形状。
如上图所示，许多不同事件都可能引起地震信号。如果方法过于敏感，就有可能将事件错误地检测为地震。这个问题在城市中尤其严重，因为交通和建筑物的持续嗡声可能会淹没小型地震。
然而，地震具有特征性的"形状"。例如，上图中的7.7级地震与直升机降落看起来就完全不同。
因此，科学家们的一个想法是从人工标记的数据集中创建模板。如果新波形与现有模板高度相关，则几乎可以确定是地震。
如果你有足够多的人工标记示例，模板匹配效果非常好。2019年，加州理工学院扎克·罗斯的实验室使用模板匹配在加利福尼亚南部发现了比先前已知多10倍的地震，包括本文开头提到的地震。他们发现的几乎所有160万新地震都非常小，震级在1级以下。
然而，如果你没有广泛存在的模板数据集，就很难应用模板匹配。这在加利福尼亚南部不是问题——那里已经有了一个基本完整的1.7级以下地震记录——但在其他地方却是一个挑战。
此外，模板匹配计算成本很高。使用模板匹配创建加利福尼亚南部地震数据集需要200个Nvidia P100 GPU连续运行数天。
必须有更好的方法。
地震Transformer模型解析
AI检测模型解决了所有这些问题：
- 它们比模板匹配更快。
- 由于AI检测模型非常小（约35万个参数，与GPT4.0等LLM的数十亿参数相比），它们可以在消费级CPU上运行。
- AI模型能够很好地推广到原始数据集中未表示的区域。
作为额外的好处，AI模型可以提供关于不同类型地震震动到达时间的更好信息。确定两种最重要波——P波和S波的到达时间称为相拾取。它使科学家能够推断地震的结构。AI模型可以在地震检测的同时完成这项工作。
地震检测（和相拾取）的基本任务如下所示：
前三行代表不同的振动方向（东西、南北和上下）。给定这三个维度的振动，我们能否确定是否发生了地震，以及何时开始？
我们希望检测初始的P波，它直接从地震现场到达。但这可能很棘手，因为P波的回声可能会从其他岩层反射并稍后到达，使波形更加复杂。
因此，理想情况下，我们的模型在每个时间步输出三个内容：
- 那一刻正在发生地震的概率。
- 第一波P波在该时刻到达的概率。
- 第一波S波在该时刻到达的概率。
我们在第四行看到所有三个输出：绿色表示检测，蓝色表示P波到达，红色表示S波到达。（此样本中有两次地震。）
为了训练AI模型，科学家们采用大量标记数据，如上图所示，进行监督训练。我将描述最常用的模型之一：地震Transformer，它由斯坦福大学S. Mostafa Mousavi领导的团队于2020年开发，Mousavi后来成为哈佛大学教授。
与许多地震检测模型一样，地震Transformer借鉴了图像分类的思想。读者可能熟悉AlexNet，这是一个著名的图像识别模型，在2012年引发了深度学习热潮。
AlexNet使用了卷积，这是一种神经网络架构，基于物理上接近的像素更可能相关的思想。AlexNet的第一层将图像分解成小块——每边11个像素——并根据边缘或梯度等简单特征的存在对每个块进行分类。
下一层将第一层的分类作为输入，检查更高级别的概念，如纹理或简单形状。
每个卷积层分析图像的更大部分，并在更高级别的抽象上运行。在最后的层中，网络正在查看整个图像并识别"蘑菇"和"集装箱船"等对象。
图像是二维的，因此AlexNet基于二维卷积。相比之下，地震图数据是一维的，因此地震Transformer使用一维卷积在时间维度上。第一层分析0.1秒时间段的振动数据，而后续层在逐渐更长的时间段内识别模式。
很难说地震模型正在提取的确切模式，但我们可以将其类比为一个使用一维卷积的假设音频转录模型。该模型可能首先识别辅音，然后是音节，然后是单词，然后是句子，时间尺度逐渐增加。
地震Transformer将原始波形数据转换为指示地震和其他地震学重要事件可能性的高级表示集合。随后是一系列反卷积层，精确定位地震及其至关重要的P波和S波发生的时间。
该模型还在模型中间使用了一个注意力层，用于混合时间序列不同部分的信息。注意力机制在大型语言模型中最著名，它有助于在单词之间传递信息。它在地震图检测中扮演类似角色。地震地震图具有一般结构：P波后跟S波，然后是其他类型的震动。因此，如果某个片段看起来像P波的开始，注意力机制有助于它检查它是否符合更广泛的地震模式。
扩展地震数据
地震Transformer的所有组件都是神经网络文献中的标准设计。其他成功的检测模型，如PhaseNet，甚至更简单。PhaseNet仅使用一维卷积来拾取地震波的到达时间。没有注意力层。
伯恩斯表示，一般来说，"地震学领域没有太多需要发明新架构的需求"。从图像处理中衍生出的技术已经足够。
那么是什么使这些通用架构如此有效呢？数据。大量的数据。
Ars先前报道了ImageNet（一个图像识别基准）的引入如何帮助引发深度学习热潮。大型公开可用的地震数据集在地震学中发挥了类似作用。
地震Transformer使用**斯坦福地震数据集(STEAD)**进行训练，该数据集包含来自世界各地的120万个人工标记地震图数据段。（STEAD的论文明确提到了ImageNet作为灵感）。其他模型，如PhaseNet，也在数十万或数百万个标记段上进行了训练。
斯坦福地震数据集中的所有记录地震。
数据和架构的结合效果很好。根据伯恩斯的说法，当前的模型在识别和分类地震方面"好得可笑"。通常，机器学习方法在一个区域发现的地震数量是先前识别的10倍或更多。您可以直接在意大利地震目录中看到这一点：
基于机器学习和地震预测——下一步，Beroza等人。
AI工具不一定比模板匹配检测到更多地震。但基于AI的技术计算和劳动强度低得多，使其对普通研究项目更易于访问，也更容易在世界各地应用。
总的来说，这些机器学习模型如此之好，以至于它们几乎完全取代了传统的地震检测和相拾取方法，特别是对于较小震级的地震。
AI技术的实际应用
地震科学的圣杯是地震预测。例如，科学家知道西雅图附近将发生大地震，但几乎无法知道它是在明天还是一百年后发生。如果我们能够足够精确地预测地震，以便让受影响地区的人员撤离，那将是有帮助的。
您可能会认为AI工具有助于预测地震，但似乎尚未发生。
康奈尔大学的朱迪思·哈伯德表示，应用更技术性和不那么引人注目。
更好的AI模型为地震学家提供了更全面的地震目录，这解锁了"许多不同的技术"，布拉德利说。
最酷的应用之一是理解和成像火山。火山活动产生大量小型地震，其位置帮助科学家理解岩浆系统的结构。在2022年的一篇论文中，约翰·威尔丁及其合作者使用大型AI生成的地震目录创建了夏威夷火山系统这一令人难以置信的图像。
每个点代表一个单独的地震。
他们提供了之前假设的深部Pāhala岩浆复合体与茂纳洛a浅层火山结构之间岩浆连接的直接证据。您可以在图像中看到这一点，标记为Pāhala-Mauna Loa地震活动带。作者还能够将Pāhala岩浆复合体的结构细分为离散的岩浆片。这种详细程度可能促进更好的实时地震监测和更准确的喷发预测。
另一个有前景的领域是降低处理大型数据集的成本。**分布式声学传感(DAS)**是一种强大的技术，它使用光纤电缆测量电缆全长范围内的地震活动。根据休斯顿大学教授贾轩李的说法，单个DAS阵列每天可以产生"数百GB的数据"。这么多数据可以产生极高分辨率的数据集——足以分辨出单个脚步声。
AI工具使得能够非常准确地确定DAS数据中的地震时间。在DAS数据中引入AI相拾取技术之前，李和他的一些合作者尝试使用传统技术。虽然这些技术"大致可行"，但对于他们的下游分析来说不够准确。没有AI，他的许多工作将会"困难得多"，他告诉我。
李也乐观地认为，AI工具将来能够帮助他在丰富的DAS数据中分离"新型信号"。
并非所有AI技术都取得了成功
与许多其他科学领域一样，地震学家面临一些采用AI方法的压力，无论这些方法是否与他们的研究相关。
伯恩斯说："学校希望你把AI这个词放在一切前面。这有点失控了。"
这可能导致技术上正确但实际无用的论文。哈伯德和布拉德利告诉我，他们看到了许多基于AI技术的论文，这些论文"揭示了地震工作原理的基本误解"。
他们指出，研究生可能感到压力要专门学习AI方法，而以较少学习该科学领域的基础知识为代价。他们担心，如果这种AI驱动的研究变得根深蒂固，较老的方法将被"一种无意义所超越"。
虽然这些是真实存在的问题，但Understanding AI之前已经报道过，我认为它们并不影响AI地震检测的成功。在过去的五年里，基于AI的工作流程已经几乎完全取代了地震学中的一个基本任务，而且效果更好。
这相当酷。
未来展望
AI在地震检测领域的成功只是开始。随着技术的不断进步，我们可以期待更多创新和应用：
更精确的地震预测：虽然目前AI尚未实现精确的地震预测，但随着数据积累和算法改进，这一目标可能在未来几十年内实现。
全球地震监测网络：AI技术的低成本和高效性使得在地震多发地区建立更广泛的监测网络成为可能，提高全球地震监测能力。
实时预警系统：结合AI检测和快速数据处理技术，可以开发更高效的地震预警系统，为人们提供更长的反应时间。
地球内部成像：通过AI分析地震波数据，科学家能够以前所未有的精度绘制地球内部结构图，增进对地球动力学的理解。
火山监测与预警：AI可以帮助更准确地监测火山活动，通过分析小型地震模式预测火山喷发，提高预警系统的可靠性。
基础设施抗震评估：AI可以分析地震数据，评估建筑物和基础设施的抗震能力，指导更安全的建筑设计。
地震学领域的AI革命才刚刚开始，随着技术的不断进步，我们有理由期待这一领域在未来带来更多突破和发现。
