人工智能正在彻底改变地震学领域，特别是在地震检测方面取得了显著突破。正如地震学家凯尔·布拉德利所描述的，采用这些新技术"就像是第一次戴上眼镜，你突然能够看到树上的叶子"。过去需要人工分析师和简单计算机程序完成的地震检测任务，现在已由机器学习工具自动完成，这些AI系统能够检测到更小的地震，尤其是在城市等嘈杂环境中表现优异。
地震学基础：从传统到现代
地震发生时，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，我们都可以推断出波所穿过的材料特性。想象一下敲击墙壁来判断它是否中空——实心墙和空心墙的振动方式不同，我们可以通过声音判断其结构。
地震学中同样应用这一原理。地震波以不同速度穿过不同材料（岩石、石油、岩浆等），科学家利用这些振动来绘制地球内部图像。传统上，科学家使用的是地震仪，这些设备记录地球在三个方向上的运动：上下、南北和东西。当地震发生时，地震仪可以测量特定位置的震动。
传统的地震检测方法依赖于人工分析。在计算机算法出现之前，美国地质调查局等机构需要依靠大量本科生或实习生来检查地震图。然而，手动识别和分类的地震数量有限，开发有效算法寻找和处理地震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。
"地震学领域的历史发展始终伴随着计算技术的进步，"布拉德利表示。
传统地震检测的挑战
传统算法面临一个重大挑战：它们难以找到较小的地震，尤其是在嘈杂的环境中。如上图所示，许多不同事件都可能产生地震信号。如果方法过于敏感，可能会错误地将其他事件检测为地震。在城市等地区，持续的交通和建筑物噪音可能会掩盖小地震的信号。
然而，地震具有特征性的"形状"。例如，震级7.7的地震看起来与直升机降落明显不同。因此，科学家们曾使用人类标记的数据集创建模板，如果新波形与现有模板高度相关，则几乎可以确定是地震。
模板匹配在有足够人类标记样本的情况下效果很好。2019年，加州理工学院的扎克·罗斯实验室使用模板匹配在南加利福尼亚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。他们发现的近160万次新地震中，绝大多数都非常小，震级在1级以下。
然而，如果没有大量预先存在的模板数据集，就无法轻易应用模板匹配。这在南加利福尼亚不是问题——那里已经有基本完整的1.7级以下地震记录——但在其他地区则是一个挑战。
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。
地震Transformer：AI检测的突破
AI检测模型解决了所有这些问题：
- 它们比模板匹配更快
- AI检测模型非常小（约35万个参数，与GPT4.0等数十亿参数的大语言模型相比），可以在消费级CPU上运行
- AI模型能很好地推广到原始数据集中未包含的地区
作为额外优势，AI模型还能提供不同类型地震震动到达时间的更准确信息。确定两种最重要的波——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结构。AI模型可以在地震检测的同时完成这一任务。
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数据，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，它直接从地震源到达。但这可能很棘手，因为P波的回声可能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：
- 该时刻发生地震的概率
- 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。（该样本中有两次地震。）
深度学习模型的工作原理
为了训练AI模型，科学家们使用大量标记数据，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，它由斯坦福大学团队在2020年左右开发，由后来成为哈佛大学教授的S.莫斯塔法·穆萨维领导。
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年掀起了深度学习热潮。
AlexNet使用卷积，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思想。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区域，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Transformer使用时间维度上的一维卷积。第一层分析0.1秒的振动数据块，而后续层在越来越长的时间段内识别模式。
很难确定地震模型提取的确切模式，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，时间尺度逐渐增加。
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。注意力机制在大语言模型中最为著名，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。
数据的力量：地震数据集的规模
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，地震学领域通常"没有太多需要发明新架构的必要"。从图像处理衍生出的技术已经足够。
那么，是什么让这些通用架构如此有效？数据。大量的数据。
Ars之前曾报道过，图像识别基准数据集ImageNet的引入如何帮助点燃了深度学习热潮。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。
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的技术计算和劳动强度要低得多，使其对普通研究项目更易于访问，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，特别是对于较小震级，已经几乎完全取代了传统方法。
AI地震检测的实际应用
地震科学的圣杯是地震预测。例如，科学家知道西雅图附近将发生大地震，但无法确定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，但似乎这还没有发生。
康奈尔大学的朱迪思·哈伯德表示，这些应用更加技术性，也不那么引人注目。
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，其位置帮助科学家了解岩浆系统结构。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部Pāhala岩浆复合体和茂纳洛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地震活动带的箭头处看到这一点。作者还能够将Pāhala岩浆复合体的结构细分为离散的岩浆层。这种级别的细节可能促进更好的地震实时监测和更准确的喷发预报。
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。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集——足以分辨出单独的脚步声。
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数据中引入AI相位拾取技术之前，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，他的许多工作将会"困难得多"，他告诉我。
李也乐观地认为，AI工具未来将帮助他在丰富的DAS数据中分离出"新型信号"。
AI在地震学中的局限与挑战
与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，"伯恩斯说。"这有点失控了。"
这可能导致技术上正确但实际用途有限的论文。哈伯德和布拉德利告诉我，他们看到许多基于AI技术的论文"揭示了地震工作原理的根本误解"。
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"一种无意义的竞争所淘汰"。
虽然这些都是真实存在的问题，但我不认为它们削弱了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项基本任务，并且取得了更好的效果。
这相当酷。
地震检测AI的未来发展方向
尽管AI在地震检测方面取得了显著成功，但地震学家们仍在思考这一技术的未来发展方向。目前，AI已经彻底改变了地震检测和相位拾取的过程，但地震预测这一终极目标仍未实现。
未来，AI可能会在以下方面继续推动地震学的发展：
地震预测的突破：虽然目前AI尚未实现地震预测，但随着算法和数据集的不断完善，这一领域可能会取得突破。更精确的地震预测将改变灾害应对方式，可能挽救无数生命。
实时监测系统：结合AI和DAS技术，未来可能会建立更全面的实时地震监测网络，提供更及时的预警信息。
火山活动监测：AI可以帮助科学家更准确地监测火山活动，预测可能的喷发，为周边地区提供更充分的准备时间。
地球内部成像：通过AI分析地震数据，科学家将能够更清晰地绘制地球内部结构，增进对地球动力学的理解。
跨学科应用：地震检测AI技术可能会被应用于其他领域，如工程结构健康监测、资源勘探等。
结论：AI与地震学的完美结合
AI在地震检测领域的应用代表了科学与技术结合的典范。通过借鉴计算机视觉领域的先进技术，地震学家们能够处理和分析前所未有的海量地震数据，发现传统方法无法检测到的微小地震。
这种技术变革不仅提高了地震检测的效率和准确性，还为地球科学研究开辟了新的可能性。从火山监测到地球内部成像，AI正在帮助科学家们以前所未有的精度理解我们的星球。
正如布拉德利所说，采用这些新技术"就像是第一次戴上眼镜，你突然能够看到树上的叶子"。AI地震检测技术就是这副"眼镜"，它让我们以前所未有的清晰度"看到"地球的脉动，为地震学研究带来了革命性的变化。
随着技术的不断进步，我们有理由相信，AI将在未来继续推动地震学的发展，最终可能实现地震预测这一科学圣杯，为人类提供更安全的生活环境。
