在2008年1月1日凌晨1点59分，加利福尼亚州卡利帕特里亚发生了一次地震。你可能从未听说过这次地震，即使当时你正住在卡利帕特里亚，也不会有任何感觉。这次地震的震级为-0.53，大约相当于一辆卡车驶过时的震动程度。尽管如此，这次地震仍然很特别，不是因为它的规模，而是因为它很小——而我们却知道它的存在。
过去七年间，基于计算机成像的AI工具几乎完全自动化了地震学的一项基本任务：地震探测。过去需要人工分析师——后来是简单的计算机程序——完成的工作，现在可以通过机器学习工具自动、快速地完成。
这些机器学习工具能够检测到比人类分析师更小的地震，特别是在城市等嘈杂环境中。地震提供了关于地球构成和未来可能发生的灾害的宝贵信息。
"在最好的情况下，当你采用这些新技术时，即使使用相同的老旧数据，也像是第一次戴上眼镜，可以看到树上的叶子一样，"地震洞察通讯的联合作者凯尔·布拉德利说。
我与几位地震科学家交谈，他们都一致认为，在这些特定任务上，机器学习方法已经取代了人类，取得了更好的效果。
"这确实令人惊叹，"康奈尔大学教授、布拉德利的合著者朱迪思·哈伯德告诉我。
不太确定的是接下来会发生什么。地震探测是地震学的基本组成部分，但还有许多其他数据处理任务尚未受到颠覆。最大的潜在影响——直到地震预测——尚未实现。
"这确实是一场革命，"德克萨斯大学达拉斯分校教授乔·伯恩斯说，"但这场革命仍在继续。"
地震学家的工作是什么？
当某地发生地震时，震动会穿过地面，类似于声波穿过空气的方式。在这两种情况下，都可以对波穿过的材料进行推断。
想象一下敲击一面墙来判断它是否是空心的。因为实心墙和空心墙的振动方式不同，你可以通过声音判断其结构。
地震也是如此，同样的原则也适用。地震波以不同方式穿过不同材料（岩石、石油、岩浆等），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_。这些仪器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。
传统地震仪。如今，地震仪以数字方式记录数据。图片来源：Yamaguchi先生，维基共享知识库，CC BY-SA 3.0
然后，科学家处理原始地震仪信息以识别地震。
地震产生多种类型的震动，以不同的速度传播。其中两种类型——P波（初级波）和S波（次级波）尤为重要，科学家喜欢识别每种波的起始点。
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。伯恩斯说："传统上，像美国地质调查局这样的实验室会有一支主要由本科生或实习生组成的队伍，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。有效寻找和处理地震的算法一直是该领域的优先事项——特别是自1950年代初计算机出现以来。
"地震学的历史上，该领域总是随着计算技术的进步而发展，"布拉德利告诉我。
然而，传统算法存在一个大问题：它们不容易找到较小的地震，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。图片来源：EarthScope联盟，CC BY 4.0
如上图的地震图所示，许多不同的事件都可能引起地震信号。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其严重，因为交通和建筑的持续嗡声可能会淹没小地震。
然而，地震具有特征性的"形状"。例如，上面7.7级的地震与直升机着陆看起来相当不同。
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。如果新的波形与现有模板高度相关，则几乎可以确定它是地震。
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，你就不能轻易应用模板匹配。这在南加利福尼亚不是问题——那里已经基本上有完整的1.7级以下地震记录——但在其他地方则是一个挑战。
此外，模板计算成本高昂。使用模板匹配创建南加利福尼亚地震数据集需要200个Nvidia P100 GPU连续运行数天。
必须要有更好的方法。
解析地震Transformer模型
AI探测模型解决了所有这些问题：
它们比模板匹配更快。
因为AI探测模型非常小（约35万个参数，而像GPT4.0这样的LLM有数十亿参数），它们可以在消费级CPU上运行。
AI模型可以很好地推广到原始数据集中未代表的区域。
此外，AI模型可以更好地提供不同类型地震震动到达时间的信息。计时两种最重要的波——P波和S波——的到达时间被称为_相位拾取_。它使科学家能够推断出地震的结构。AI模型可以在地震探测的同时完成这项工作。
地震探测（和相位拾取）的基本任务如下所示：
地震Transformer模型输出示例：一个用于同时地震探测和相位拾取的注意力深度学习模型。图片来源：Nature Communications
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，它直接来自地震震源。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，我们的模型在样本的每个时间步输出三个内容：
该时刻发生地震的概率。
该时刻第一个P波到达的概率。
该时刻第一个S波到达的概率。
我们在第四行看到所有三个输出：绿色的探测结果，蓝色的P波到达时间和红色的S波到达时间。（该样本中有两次地震。）
为了训练AI模型，科学家们使用大量标记数据，如上所示，进行监督训练。我将描述其中一个最常用的模型：地震Transformer，它由斯坦福大学团队领导开发，团队成员包括后来成为哈佛教授的S. Mostafa Mousavi，大约在2020年推出。
与许多地震探测模型一样，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想法。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，所以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使用时间维度上的一维卷积。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，时间尺度逐渐增大。
地震Transformer将原始波形数据转换为表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，精确定位地震发生的时间——及其至关重要的P波和S波。
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。在地震图探测中，它扮演着类似的角色。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的所有组件都来自神经网络文献的标准设计。其他成功的探测模型，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。
根据伯恩斯的说法，总的来说，"地震学领域没有太多需要发明新架构的必要"。源自图像处理的技术已经足够。
那么，是什么使这些通用架构如此有效？数据。大量的数据。
Ars先前曾报道过ImageNet（一个图像识别基准）的引入如何帮助引发了深度学习热潮。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。
斯坦福地震数据集中的所有记录地震。图片来源：IEEE (CC BY 4.0)
数据与架构的组合效果很好。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，机器学习方法发现的地震数量是先前在同一区域识别数量的10倍或更多。你可以直接在意大利地震目录中看到这一点：
机器学习与地震预测——下一步，作者Beroza等人。图片来源：Nature Communications (CC-BY 4.0)
AI工具不一定比模板匹配检测到更多地震。但基于AI的技术计算和劳动密集程度低得多，使它们对一般研究项目更容易使用，也更易于在世界各地应用。
总之，这些机器学习模型非常好，它们几乎完全取代了传统的地震探测和相位拾取方法，特别是对于较小震级的地震。
所有这些AI技术能做什么？
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们撤离，那将很有帮助。
你可能认为AI工具有助于预测地震，但似乎尚未实现。
康奈尔的朱迪思·哈伯德说，应用更加技术性，不那么花哨。
更好的AI模型为地震学家提供了更全面的地震目录，这些目录解锁了"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了解岩浆系统的结构。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的这一惊人图像。
每个点代表一次单独的地震。图片来源：Wilding等人，《夏威夷之下的岩浆网络》
他们提供了深部Pāhala岩浆复合体与茂纳洛亚浅部火山结构之间先前假设的岩浆连接的直接证据。你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层。这种级别的细节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，使用光纤电缆测量电缆整个长度的地震活动。根据休斯顿大学教授李佳轩的说法，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库——足以分辨出个人的脚步声。
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数据相位拾取引入AI技术之前，李和他的一些合作者尝试使用传统技术。虽然这些方法"大致有效"，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"困难得多"，他告诉我。
李也乐观地认为，AI工具将能够帮助他未来在丰富的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，地震学家面临采用AI方法的压力，无论这些方法是否与他们的研究相关。
"学校希望你把AI这个词放在一切前面，"伯恩斯说。"这有点失控了。"
这可能导致技术上合理但实际无用的论文。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"揭示了对地震工作原理的基本误解。"
他们指出，研究生可能会感到压力，要专门学习AI方法，而牺牲对科学领域基础知识的了解。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。"
虽然这些问题是真实存在的，并且理解AI之前曾报道过，但我认为它们并不影响AI地震探测的成功。在过去的五年里，基于AI的工作流程几乎完全取代了地震学中的一项基本任务，并且取得了更好的效果。
这相当酷。
