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，即使当时你住在卡利帕特里亚，也感觉不到任何震动。这次地震的震级为-0.53级，震感大约相当于一辆卡车驶过。然而，这次地震之所以引人注目，并非因为它规模大，而是因为它规模小——而我们却能够探测到它。
过去七年，基于计算机视觉的AI工具几乎完全自动化了地震学的基本任务之一：地震检测。过去需要人类分析师——后来是更简单的计算机程序——完成的任务，现在可以通过机器学习工具自动快速地完成。
这些机器学习工具能够在嘈杂环境中（如城市地区）检测到比人类分析师更小的地震。地震为我们提供了关于地球构成和未来可能发生的灾害的宝贵信息。
"在最佳情况下，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，你能看到树上的叶子一样，"《地震洞察》通讯的合著者凯尔·布拉德利说道。
我与多位地震科学家交谈，他们都一致认为，在这些特定任务中，机器学习方法已经取代了人类，并且效果更好。
"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。
然而，接下来会发生什么则不那么确定。地震检测是地震学的基础部分，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的乔·伯恩斯教授说，"但这场革命仍在进行中。"
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。
想象一下敲击墙壁以判断它是否是空心的。因为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结构。
地震也是如此。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。
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，以不同速度传播。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。伯恩斯表示，"传统上，美国地质调查局这样的实验室会有大量本科生或实习生在看地震图。"
然而，手动能够发现和分类的地震数量有限。有效寻找和处理地震的算法长期以来一直是该领域的优先事项——特别是自20世纪50年代初计算机出现以来。
"地震学领域的历史发展总是随着计算技术的进步而进步，"布拉德利告诉我。
然而，传统算法存在一个大问题：它们不容易发现较小的地震，尤其是在嘈杂环境中。
如上所示的地震图所示，许多不同的事件都可以引起地震信号。如果某种方法过于敏感，可能会错误地将事件检测为地震。这个问题在城市地区尤其严重，那里的交通和建筑物的持续嗡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截然不同。
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——那里已经有基本完整的地震记录，震级低至1.7级——但在其他地区则是一个挑战。
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个英伟达P100 GPU连续运行数天。
必须要有更好的方法。
解析地震Transformer
AI检测模型解决了所有这些问题：
- 它们比模板匹配更快。
- 因为AI检测模型非常小（约350,000个参数，与GPT4.0等大型语言模型的数十亿参数相比），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。
额外的好处是，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。 timing两种最重要波——P波和S波的到达时间称为相位拾取。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进行相位拾取。
地震检测（和相位拾取）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？
我们想要检测初始的P波，它直接从地震源到达。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。
理想情况下，我们的模型在每个时间步输出三个内容：
- 该时刻发生地震的概率。
- 第一列P波在该时刻到达的概率。
- 第一列S波在该时刻到达的概率。
我们在第四行看到了所有三个输出：绿色的检测、蓝色的P波到达和红色的S波到达。（这个样本中有两次地震。）
为了训练AI模型，科学家们获取大量标记数据，如上图所示，并进行监督训练。我将描述最常用的模型之一：地震Transformer，该模型由斯坦福大学团队在2020年左右开发，由S. Mostafa Mousavi领导，他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的第一层卷积将图像分解成小块——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，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，所以AlexNet基于二维卷积。相比之下，地震图数据是一维的，所以地震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 progressively 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Transformer将原始波形数据转换为一系列高级表示，指示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。在地震图检测中，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。
根据伯恩斯的说法，总的来说，"地震学领域不需要发明新的架构"。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）。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，机器学习方法会在一个区域发现比先前识别的多10倍或更多的地震。你可以在意大利地震目录中直接看到这一点：
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。
总而言之，这些机器学习模型非常好，以至于它们几乎完全取代了传统的地震检测和相位拾取方法，特别是对于较小的震级。
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会发生大地震，但几乎无法知道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们撤离，那将会有所帮助。
你可能认为AI工具会有助于预测地震，但似乎尚未实现。
康奈尔大学的朱迪思·哈伯德表示，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。火山活动会产生大量小地震，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的这一惊人图像。
每个点代表一个单独的地震。
他们提供了深部Pāhala岩浆复合体与莫纳罗亚浅部火山结构之间先前假设的岩浆连接的直接证据。你可以在图像中用箭头标记为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电缆全长范围内的地震活动。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工具使得能够非常精确地确定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，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"，但不够准确，无法满足他们的下游分析需求。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工具未来将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，"伯恩斯说，"这有点失控了。"
这可能导致技术上合理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"揭示了对地震工作原理的根本误解。"
他们指出，研究生可能会感到压力，被迫专门研究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，较老的方法将被"一种无意义所超越。"
虽然这些是真实的问题，也是Understanding AI之前报道过的问题，但我认为这并不影响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在地震学中的应用仍处于早期阶段，但其潜力已经开始显现。随着技术的进步和数据的积累，我们可以期待更多突破性应用：
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，但随着算法的改进和更多数据的积累，未来AI可能帮助科学家更好地理解地震前兆，提高预测准确性。
实时地震监测系统：结合AI和DAS技术，可以建立更全面的实时地震监测网络，为地震预警提供更及时的数据支持。
地震风险评估：AI可以分析历史地震数据和地质结构，为特定区域提供更精确的地震风险评估，帮助城市规划者和政策制定者做出更明智的决策。
地球内部成像：随着AI检测到更多微小地震，科学家可以创建更详细的地球内部结构图像，增进对地球动力学的理解。
跨学科应用：地震检测技术可能应用于其他领域，如监测冰川移动、火山活动和地下资源勘探。
结论
AI在地震学中的应用已经展示出变革性潜力。从自动化地震检测到改进地球内部成像，机器学习正在以前所未有的方式扩展我们的科学认知边界。虽然地震预测仍然是遥远的目标，但当前的技术进步已经为地震学带来了实质性好处。
随着技术的成熟和应用的扩展，AI将继续重塑地震学的研究方法和实践应用。正如一位科学家所描述的，这就像"第一次戴上眼镜"，突然之间，我们能够看到以前无法观测到的细微之处。这种能力不仅有助于科学研究，最终也可能为地震灾害的减轻做出贡献。
地震学的AI革命仍在进行中，而未来令人期待。
