人工智能技术正在以前所未有的方式改变地震学领域，特别是地震探测这一基础性任务。正如地震学家Kyle Bradley所言，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"。过去七年中，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本任务：地震检测。本文将深入探讨AI如何提高地震探测能力，分析其工作原理、优势以及未来可能带来的变革。
传统地震探测方法的局限
地震学是一门研究地震波如何通过地球传播的科学。当地震发生时，震动会通过地面传播，类似于声波在空气中传播的方式。在这两种情况下，我们都可以推断出波所穿过的材料特性。
想象一下轻敲墙壁以判断它是否中空。由于实心墙和空心墙的振动方式不同，我们可以通过声音判断结构。地震学基于同样的原理：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仪，它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。
在机器学习出现之前，地震编目必须手工完成。德克萨斯大学达拉斯分校的教授Joe Byrnes表示："传统上，美国地质调查局实验室会有大量本科生或实习生查看地震图。"然而，手工能够发现和分类的地震数量有限。自20世纪50年代计算机出现以来，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。
传统算法面临一个大挑战：它们难以找到较小的地震，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，许多不同事件都会引起地震信号。如果方法过于敏感，可能会错误地将事件检测为地震。这个问题在城市中尤其严重，交通和建筑物的持续嗡声可能会淹没小型地震。
模板匹配方法及其局限性
科学家们提出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，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，模板匹配效果很好。
2019年，加州理工学院Zach Ross的实验室使用模板匹配在南加州发现了比之前已知多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。这在南加州不是问题——那里已经有基本完整的地震记录，震级低至1.7级——但在其他地方却是一个挑战。
此外，模板匹配计算成本很高。使用模板匹配创建南加州地震数据集需要200个Nvidia P100 GPU连续运行数天。
地震Transformer：AI地震探测的突破
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LLT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
作为额外优势，AI模型可以提供有关不同类型地震震动到达时间的更好信息。对两种最重要的波——P波和S波到达时间的计时称为"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）。给定这三个振动维度，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，它直接来自地震现场。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
AI模型的工作原理
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。其中最常用的模型之一是地震Transformer，它由斯坦福大学S. Mostafa Mousavi领导的研究团队于2020年开发（Mousavi后来成为哈佛教授）。
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，于2012年引发了深度学习热潮。
AlexNet使用卷积，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，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一部分，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秒时间块的振动数据，而后续层在逐渐增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，精确定位地震及其极其重要的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。在地震图检测中，它扮演类似角色。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。
数据规模的关键作用
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。
根据Byrnes的说法，通常"没有必要为地震学发明新的架构"。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ImageNet（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。
数据和架构的组合效果很好。根据Byrnes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之前识别的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的技术计算和劳动密集度低得多，使其对普通研究项目更容易使用，也更易于在世界各地应用应用。
总体而言，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，特别是对于较小震级的地震。
AI地震探测的实际应用
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会发生大地震，但无法知道它是明天发生还是一百年后发生。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，那将会很有帮助。
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Judith Hubbard表示，应用更多是技术性的，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"，Bradley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，其位置有助于科学家理解岩浆系统的结构。在2022年的一篇论文中，John Wilding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Mauna Loa浅部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。这种细节水平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整个电缆长度的地震活动。休斯顿大学教授Jiaxuan Li表示，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——足以分辨出个人的脚步声。
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数据相位拾取的AI技术引入之前，Li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。
Li也乐观地认为，AI工具未来将帮助他在丰富的DAS数据中分离"新型信号"。
AI在地震学中的挑战与反思
与许多其他科学领域一样，地震学家面临采用AI方法的一些压力，无论这些方法是否与他们的研究相关。
"学校希望你把AI这个词放在一切前面，"Byrnes说："这有点失控了。"
这可能导致技术上正确但实际无用的论文。Hubbard和Bradley告诉我，他们看到了许多基于AI技术的论文，这些论文"揭示了对地震如何工作的基本误解"。
他们指出，研究生可能会感到压力，专门研究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，旧方法将被"某种无意义所超越"。
尽管这些是真实的问题，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。在过去的五年中，基于AI的工作流程已经几乎完全取代了地震学中的一个基本任务，而且效果更好。
这相当酷。
未来展望
地震探测技术的AI革命只是开始。随着算法的改进和计算能力的提高，我们可以期待更精确、更快速的地震检测系统。未来，这些技术可能会帮助我们更好地理解地震的物理机制，最终实现地震预测这一长期目标。
同时，AI在地震学中的应用也提醒我们，技术进步必须与科学理解相结合。正如地震学家们所指出的，盲目追求AI而忽视基础科学理解可能会导致无意义的突破。真正的进步来自于将新技术与深厚的领域知识相结合。
地震探测的AI革命不仅改变了地震学家的工作方式，也为我们提供了更深入了解地球内部运作的机会。随着这些技术的不断发展，我们可能会更接近理解地震的奥秘，最终可能预测它们，从而拯救无数生命。
