引言：地震探测的新纪元
"就像第一次戴上眼镜"——这是地震学家对AI技术如何改变地震探测的生动比喻。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场地震。你可能从未听说过这场地震，即使当时身在卡利帕特里亚，你也感受不到它的存在。这场地震震级仅为-0.53，震感大约相当于一辆卡车驶过。然而，这场地震之所以值得关注，并非因为其规模，而是因为它如此微小，而我们却能够探测到它。
过去七年中，基于计算机图像识别的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。这项曾经由人类分析师完成，后来由简单计算机程序接手的工作，如今已由机器学习工具自动快速完成。
这些机器学习工具能够探测到比人类分析师更小的地震，尤其是在城市等嘈杂环境中。地震为我们提供了关于地球组成和未来可能发生的灾害的宝贵信息。
"在最佳情况下，当你采用这些新技术时，即使使用同样的旧数据，也像是第一次戴上眼镜，你突然能够看清树上的叶子，"Kyle Bradley在《地震洞察》通讯中这样描述。
地震学基础：从声波到地震波
当地震在某一地点发生时，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，我们都可以推断出波所穿过的材料特性。
想象一下轻敲一面墙来判断它是否是空心的。由于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。
地震遵循同样的原理。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。
传统上，科学家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，地震仪可以测量该特定位置的震动。
科学家随后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，这些震动以不同速度传播。其中，P波（纵波）和S波（横波）尤其重要，科学家喜欢识别每种波的开始时间。
传统地震探测的局限
在良好算法出现之前，地震目录必须手动创建。Byrnes表示，"传统上，美国地质调查局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，手动能够发现和分类的地震数量有限。开发有效算法来查找和处理地震一直是该领域的优先事项——特别是自20世纪50年代计算机出现以来。
"地震学领域的历史发展始终与计算技术的进步同步，"Bradley告诉我。
然而，传统算法存在一个大问题：它们不容易发现较小的地震，尤其是在嘈杂环境中。
如上图所示，许多不同事件都可以引起地震信号。如果一种方法过于敏感，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，交通和建筑的持续噪音可能掩盖小地震。
然而，地震具有特征性的"形状"。例如，震级7.7的地震与直升机降落看起来就大不相同。
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，则几乎可以确定它是地震。
模板匹配在拥有足够人工标记示例的情况下效果很好。2019年，加州理工学院的Zach Ross实验室使用模板匹配在南加利福尼亚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。他们发现的所有新地震中，几乎全部是震级1及以下的微小地震。
然而，如果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——那里已经有基本完整的震级1.7以下的地震记录——但在其他地区却是一个挑战。
此外，模板匹配计算成本高昂。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。
必须有一种更好的方法。
地震Transformer：AI驱动的突破
AI探测模型解决了所有这些问题：
- 它们比模板匹配更快。
- 由于AI探测模型非常小（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）的基本任务如下图所示：
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？
我们想要探测初始的P波，它直接从地震地点传播而来。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：
- 在该时刻发生地震的概率。
- 在该时刻第一个P波到达的概率。
- 在该时刻第一个S波到达的概率。
我们在第四行看到所有三个输出：绿色表示探测结果，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。）
为了训练AI模型，科学家们使用大量标记数据，如上所示，并进行监督训练。我将描述最常用的模型之一：地震Transformer，它由斯坦福大学团队开发，由S. Mostafa Mousavi领导，后来成为哈佛大学教授。
与许多地震探测模型一样，地震Transformer借鉴了图像分类的想法。读者可能熟悉AlexNet，这是一个著名的图像识别模型，在2012年掀起了深度学习热潮。
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想法的神经网络架构。AlexNet的第一层将图像分解成小块——每边11个像素——并根据简单特征（如边缘或梯度）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以更高级别的抽象操作。通过最终层，网络查看整个图像并识别"蘑菇"和"集装箱船"等物体。
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中识别模式。
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来混合时间序列不同部分之间的信息。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波后接S波，然后是其他类型的震动。因此，如果一个片段看起来像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。
数据的力量：地震探测的关键
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，这些通用架构为什么能如此有效地工作呢？数据。大量的数据。
Ars先前报道了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，机器学习方法会在一个区域发现比先前识别多10倍或更多的地震。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，这些机器学习模型非常出色，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。
AI在地震学中的应用：超越探测
地震科学的圣杯是地震预测。例如，科学家知道西雅图附近会发生大地震，但无法判断它会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，这将非常有帮助。
你可能认为AI工具有助于预测地震，但似乎还没有发生。
康奈尔大学的Judith Hubbard表示，应用更加技术化，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，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。
每个点代表单个地震。他们提供了先前假设的深部Pāhala岩浆复合体与莫纳罗亚浅部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岩浆复合体的结构澄清为离散的岩浆层。这种细节水平可能促进更好的地震实时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。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。
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数据中引入相位拾取的AI技术之前，Li和他的一些合作者尝试使用传统技术。虽然这些技术"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局限
正如许多其他科学领域一样，地震学家面临着采用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，"Byrnes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。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"揭示了如何工作的地震学基本误解"。
他们指出，研究生可能会感到压力，专注于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，旧的方法将被"无意义地淘汰"。
虽然这些问题是真实的，并且Understanding AI之前也曾报道过，但我认为它们并不削弱AI地震探测的成功。在过去五年中，基于AI的工作流程几乎完全以更好的方式取代了地震学中的基本任务之一。
这相当酷。
结论：地震学的AI革命
AI在地震探测领域的应用代表了科学方法进步的一个典范。通过将深度学习技术与大量地震数据相结合，科学家们能够以前所未有的精度和效率探测地震，揭示地球内部结构的细微变化。
这一技术突破不仅提高了地震探测的效率，还为火山监测、地震预警和地球科学研究开辟了新的可能性。随着技术的不断发展，我们有理由相信AI将在地震学领域发挥更加重要的作用，帮助我们更好地理解地球的脉动，为人类社会的安全和发展做出贡献。
未来，随着AI技术的进一步发展和更多地震数据的积累，我们有望看到更多突破性应用的出现，推动地震学进入一个更加精确、高效的全新阶段。
