地震学作为研究地球内部结构和地震活动的科学，正在经历一场由人工智能驱动的深刻变革。正如地震学家凯尔·布拉德利所描述的那样，采用这些新技术"就像第一次戴上眼镜，你突然能够看清树上的叶子一样"。过去七年间，基于计算机视觉的AI工具几乎完全自动化了地震学的一项基础任务：地震检测。这项曾经需要人工分析师，后来由简单计算机程序完成的工作，现在可以通过机器学习工具自动、快速地完成。
传统地震检测的局限
在深入探讨AI如何改变地震检测之前，我们需要了解传统方法的局限性。地震发生时，震动会通过地面传播，类似于声波在空气中传播。在这两种情况下，我们都可以推断波所穿过的材料特性。
想象一下敲击一面墙来判断它是否中空。因为实心墙和空心墙的振动方式不同，我们可以通过声音来判断其结构。地震也是如此，地震波在不同材料（岩石、石油、岩浆等）中的传播方式不同，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计，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，地震计可以测量特定位置的震动。
在计算机算法出现之前，地震编目必须手工完成。德克萨斯大学达拉斯分校的乔·伯恩斯表示，"传统上，美国地质调查局的实验室会有一支主要由本科生或实习生组成的团队，他们负责查看地震图"。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年代初计算机出现后。
布拉德利告诉我："地震学领域的历史发展总是随着计算技术的进步而进步。"
然而，传统算法面临一个大挑战：它们不容易找到较小的地震，特别是在嘈杂的环境中。正如我们在上面的地震图中看到的，许多不同的事件都会引起地震信号。如果一种方法过于敏感，就有可能错误地将事件检测为地震。这个问题在城市中尤为严重，交通和建筑物的持续嗡声可能会淹没小地震的信号。
模板匹配方法的突破与局限
科学家们曾提出的一个想法是使用人工标记的数据集创建模板。如果新的波形与现有模板高度相关，那么它几乎可以肯定是地震。
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南加利福尼亚发现了比先前已知的多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160万次新地震都非常小，震级在1级以下。
然而，如果你没有大量预先存在的模板数据集，就难以应用模板匹配。这在南加利福尼亚不是问题——那里已经有了一个基本上完整的1.7级以下地震记录——但在其他地方则是一个挑战。
此外，模板匹配计算成本很高。使用模板匹配创建南加利福尼亚地震数据集需要200个英伟达P100 GPU连续运行数天。
AI地震检测模型的革命性突破
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代表的区域。
作为额外的好处，AI模型可以提供关于不同类型地震波到达时间的更准确信息。对两种最重要的波——P波和S波的到达时间进行计时称为相位拾取。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一工作。
地震检测（和相位拾取）的基本任务如下：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？我们想检测初始的P波，它直接从地震地点传来。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。
理想情况下，我们的模型在样本的每个时间步输出三个内容：
- 那一刻正在发生地震的概率。
- 第一条P波在该时刻到达的概率。
- 第一条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。（这个样本中有两次地震。）
要训练AI模型，科学家们采用大量标记数据，如上图所示，并进行监督训练。我将描述一个最常用的模型：地震转换器（Earthquake Transformer），该模型由斯坦福大学团队开发，由S. Mostafa Mousavi领导，他后来成为哈佛教授。
地震转换器：AI地震检测的核心技术
像许多地震检测模型一样，地震转换器采用了图像分类的思想。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，这是一种基于物理上接近的像素更可能相关的思想的神经网络架构。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，并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操作。在最后的层中，网络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，因此地震转换器使用时间维度上的一维卷积。第一层分析0.1秒的数据块，而后续层在越来越长的时间段内识别模式。
很难说地震模型提取的确切模式是什么，但我们可以将其类比于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。
地震转换器将原始波形数据转换为一系列高级表示，这些表示表明地震和其他地震学重要事件的可能性。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，如果一个段看起来像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。
数据规模：AI地震检测成功的关键
地震转换器的所有组件都来自神经网络文献的标准设计。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，通常来说，"地震学领域没有太多需要发明新架构的必要"。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之前曾报道过，图像识别基准ImageNet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。
地震转换器使用**斯坦福地震数据集（STEAD）**进行训练，该数据集包含来自全球的120万个人类标记的地震图数据段。（STEAD的论文明确提到了ImageNet作为灵感来源）。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。
数据与架构的组合非常有效。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：
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要低得多，使普通研究项目更容易使用，也更容易在世界各地应用。
总的来说，这些机器学习模型在检测和相位拾取地震方面几乎完全取代了传统方法，特别是对于较小的震级。
AI地震检测的应用前景
地震科学的圣杯是地震预测。例如，科学家们知道西雅图附近将发生大地震，但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们撤离，那将会很有帮助。
您可能认为AI工具会有助于预测地震，但似乎这还没有发生。
康奈尔大学的朱迪思·哈伯德说，应用更多的是技术性的，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地震，其位置有助于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结构的这一惊人图像。
每个点代表一次单独的地震。他们提供了之前假设的深层Pāhala岩浆复合体和莫纳罗亚浅层火山结构之间岩浆连接的直接证据。您可以在图像中标记为Pāhala-Mauna Loa地震活动带的箭头中看到这一点。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火山喷发预测。
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，使用光纤电缆测量电缆全长范围内的地震活动。休斯顿大学的贾轩立教授表示，单个DAS阵列每天可以产生"数百GB的数据"。这些数据可以产生极高分辨率的数据集——足以分辨出单独的脚步声。
AI工具使得在DAS数据中非常精确地计时地震成为可能。在DAS数据相位拾取的AI技术引入之前，李及其一些合作者尝试使用传统技术。虽然这些方法"大致有效"，但不够准确，无法进行下游分析。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工具将能够帮助他在未来丰富的DAS数据中分离"新型信号"。
AI地震检测面临的挑战与反思
与许多其他科学领域一样，地震学家面临着采用AI方法的一些压力，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。"
这可能导致技术上可行但实际上无用的论文。哈伯德和布拉德利告诉我，他们看到了很多基于AI技术的论文，这些论文"揭示了对地震如何工作的根本误解"。
他们指出，研究生可能感到压力，要专门学习AI方法，而较少学习该科学领域的基础知识。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"无意义所淘汰"。
虽然这些是真实存在的问题，但Understanding AI之前也曾报道过，我认为它们不会削弱AI地震检测的成功。在过去五年中，基于AI的工作流程已经几乎完全取代了地震学中的一项基础任务，而且是以更好的方式。
这相当酷。
结论：AI地震检测的未来展望
AI在地震检测领域的应用已经取得了显著成果，但这只是开始。随着技术的不断发展，我们可以期待更多创新：
更精确的地震预测：虽然目前AI主要用于地震检测而非预测，但随着算法的进步和更多数据的积累，未来可能会实现更准确的地震预测。
实时地震监测系统：结合DAS技术和AI分析，可以建立更全面的实时地震监测网络，提高对地震活动的响应速度。
火山活动预警：AI对火山地震活动的分析将有助于更准确地预测火山喷发，为周边地区提供更及时的预警。
地震风险评估：更全面的地震数据将帮助科学家更好地评估特定地区的地震风险，指导建筑规划和防灾减灾工作。
地球内部成像：通过分析地震波传播数据，AI可以帮助科学家创建更精确的地球内部结构图像，增进我们对地球动力学的理解。
地震学正站在一个新的技术前沿，AI不仅改变了我们检测地震的方式，还正在重塑我们对地球内部运作的理解。正如一位地震学家所说，"这不仅仅是一次革命，革命仍在继续"。随着技术的不断进步，我们有理由期待地震学领域将出现更多突破性发现，最终帮助我们更好地理解和应对这一自然现象。
