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；即使你当时住在卡利帕特里亚，也不会感觉到任何震动。这次地震的震级为-0.53级，产生的震动相当于一辆卡车经过时的震动。然而，这次地震值得注意，不是因为它强度大，而是因为它很小——但我们却知道它的存在。

在过去的七年中，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：地震检测。曾经需要人类分析师完成的工作——后来是更简单的计算机程序——现在可以通过机器学习工具自动快速完成。

这些机器学习工具能够检测到比人类分析师更小的地震，特别是在城市等噪声环境中。地震能够提供关于地球构成和未来可能发生的危险的宝贵信息。

《地震洞察》通讯的共同作者凯尔·布拉德利说："在最佳情况下，当你采用这些新技术时，即使是在相同的旧数据上，这就像第一次戴上眼镜一样，你可以看到树上的叶子。"

我与几位地震科学家交谈，他们都认为机器学习方法在这些特定任务上已经更好地取代了人类。

康奈尔大学教授、布拉德利的共同作者朱迪思·哈伯德告诉我："这真的很了不起。"

不太确定的是接下来会发生什么。地震检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被颠覆。最大的潜在影响，一直到地震预报，还没有实现。

得克萨斯大学达拉斯分校教授乔·伯恩斯说："这确实是一场革命。但革命还在进行中。"

地震学家做什么

当地震在某个地方发生时，震动会穿过地面传播，类似于声波在空气中传播的方式。在这两种情况下，都可以对波传播通过的材料进行推断。

想象敲击墙壁来判断它是否是空心的。因为实心墙的振动与空心墙不同，你可以通过声音来判断结构。

对于地震，同样的原理适用。地震波穿过不同材料（岩石、石油、岩浆等）的方式不同，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。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，地震仪可以测量该特定位置的震动。

然后科学家处理原始地震仪信息来识别地震。

地震产生多种类型的震动，它们以不同的速度传播。两种类型，纵波（P波）和横波（S波）特别重要，科学家喜欢识别这些阶段的开始时间。

机器学习之前的地震发现

在有好的算法之前，地震编目必须手工完成。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来查看地震图。"

然而，你能手动找到和分类的地震数量是有限的。创建有效找到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1950年代早期计算机出现以来。

布拉德利告诉我："地震学领域历史上总是随着计算的进步而进步。"

然而，传统算法面临一个大挑战：它们不能轻易找到较小的地震，特别是在噪声环境中。

正如我们在上面的地震图中看到的，许多不同的事件都可能引起地震信号。如果方法过于敏感，就有误将事件检测为地震的风险。这个问题在城市中特别严重，那里持续的交通和建筑物噪音可能会淹没小地震。

然而，地震有一个特征性的"形状"。例如，上面的7.7级地震看起来与直升机着陆完全不同。

所以科学家的一个想法是从人工标记的数据集制作模板。如果新的波形与现有模板密切相关，那么它几乎肯定是地震。

如果你有足够的人工标记示例，模板匹配效果很好。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州发现了比以前已知的多10倍的地震，包括本文开头的那次地震。他们发现的160万次新地震几乎都很小，震级在1级及以下。

然而，如果你没有广泛的预先存在的模板数据集，就不能轻易应用模板匹配。这在南加州不是问题——那里已经有了震级1.7以下地震的基本完整记录——但在其他地方是一个挑战。

此外，模板匹配在计算上很昂贵。使用模板匹配创建南加州地震数据集需要200个英伟达P100 GPU连续运行数天。

必须有更好的方法。

Earthquake Transformer的分解

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（大约35万个参数，相比之下GPT4.0等大语言模型有数十亿个参数），它们可以在消费级CPU上运行。

AI模型能很好地泛化到原始数据集中未表示的区域。

作为额外的好处，AI模型可以提供关于不同类型地震震动何时到达的更好信息。计时两种最重要波的到达——P波和S波——被称为震相拾取。它允许科学家对地震结构进行推断。AI模型可以在地震检测的同时完成这项工作。

地震检测（和震相拾取）的基本任务是这样的：

前三行分别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，如果是，何时开始？

我们想要检测初始P波，它直接从地震现场到达。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，我们的模型在样本中的每个时间步都输出三样东西：

那一刻发生地震的概率。

第一个P波在那一刻到达的概率。

第一个S波在那一刻到达的概率。

我们在第四行看到所有三个输出：绿色的检测、蓝色的P波到达和红色的S波到达。（此样本中有两次地震。）

为了训练AI模型，科学家获取大量标记数据，如上所示，并进行监督训练。我将描述最常用的模型之一：Earthquake Transformer，它是由斯坦福大学团队在2020年左右开发的，该团队由S. Mostafa Mousavi领导，他后来成为哈佛教授。

像许多地震检测模型一样，Earthquake Transformer改编了图像分类的想法。读者可能熟悉AlexNet，这是一个著名的图像识别模型，它在2012年启动了深度学习热潮。

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想法。AlexNet的第一个卷积层将图像分解为小块——边长11个像素——并基于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，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，并在更高的抽象级别上操作。到最后几层，网络正在查看整个图像并识别像"蘑菇"和"集装箱船"这样的物体。

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Earthquake Transformer在时间维度上使用一维卷积。第一层分析0.1秒块中的振动数据，而后面的层识别逐渐更长时间段内的模式。

很难说地震模型正在挑选出什么确切的模式，但我们可以将此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，然后是在增加的时间尺度上的句子。

Earthquake Transformer将原始波形数据转换为一系列高级表示，这些表示指示地震和其他地震学上重要事件的可能性。接下来是一系列反卷积层，精确定位地震——及其至关重要的P波和S波——何时发生。

该模型还在模型中间使用注意力层来混合时间序列不同部分之间的信息。注意力机制在大语言模型中最为著名，在那里它有助于在单词之间传递信息。它在地震检测中发挥类似作用。地震地震图有一般结构：P波后跟S波后跟其他类型的震动。所以如果一个片段看起来像P波的开始，注意力机制帮助它检查是否符合更广泛的地震模式。

扩展地震数据

Earthquake Transformer的所有组件都是神经网络文献中的标准设计。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，一般来说，"为地震学发明新架构的需要不多"。从图像处理衍生的技术已经足够了。

那么是什么让这些通用架构如此有效呢？数据。大量的数据。

Ars之前报道过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。

Earthquake Transformer使用斯坦福地震数据集（STEAD）进行训练，该数据集包含来自世界各地的120万个人工标记的地震图数据段。（STEAD的论文明确提到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训练。

数据和架构的结合就是有效的。根据伯恩斯的说法，当前的模型在识别和分类地震方面"好得令人发笑"。通常，机器学习方法发现的地震是以前在一个地区识别的10倍或更多。你可以在意大利地震目录中直接看到这一点：

AI工具不一定会比模板匹配检测到更多地震。但基于AI的技术在计算和劳动强度上要少得多，使它们更容易被一般研究项目使用，更容易在世界各地区应用。

总的来说，这些机器学习模型非常好，它们几乎完全取代了检测和震相拾取地震的传统方法，特别是对于较小的震级。

所有这些AI东西有什么用

地震科学的圣杯是地震预测。例如，科学家知道西雅图附近会发生大地震，但几乎无法知道它是明天还是一百年后会发生。如果我们能够足够精确地预测地震，允许受影响地区的人们撤离，那将很有帮助。

你可能认为AI工具会帮助预测地震，但这似乎还没有发生。

康奈尔大学的朱迪思·哈伯德说，应用更多的是技术性的，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，布拉德利说，这解锁了"许多不同的技术"。

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，约翰·怀尔丁和合作者使用大型AI生成的地震目录创建了夏威夷火山系统结构的令人难以置信的图像。

他们提供了深部Pāhala岩盘群与茂纳洛亚火山浅层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，箭头标记为Pāhala-茂纳洛亚地震活动带。作者还能够将Pāhala岩盘群的结构澄清为离散的岩浆层。这种细节水平可能有助于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，使用光纤电缆来测量电缆整个长度上的地震活动。根据休斯顿大学教授李嘉轩的说法，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——足以挑选出个人脚步。

AI工具使得在DAS数据中非常准确地计时地震成为可能。在DAS数据中引入AI震相拾取技术之前，李和他的一些合作者试图使用传统技术。虽然这些技术"大致有效"，但它们对于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。

李也很乐观，AI工具将来能够帮助他在丰富的DAS数据中分离"新类型的信号"。

并非所有AI技术都有回报

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，无论它们是否与他们的研究相关。

伯恩斯说："学校希望你在一切面前都加上AI这个词。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，他们看到很多基于AI技术的论文"揭示了对地震如何工作的根本误解"。

他们指出，研究生可能会感到专门从事AI方法的压力，而代价是减少对科学领域基础知识的学习。他们担心如果这种AI驱动的研究根深蒂固，旧方法会被"一种无意义性击败"。

虽然这些是真实的问题，Understanding AI之前也报道过，但我认为它们并不减损AI地震检测的成功。在过去五年中，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，并且做得更好。

这相当酷。

Q&A

Q1：AI地震检测技术与传统方法相比有什么优势？

A：AI地震检测技术比传统方法快得多，可以在消费级CPU上运行，能够检测到比人类分析师更小的地震，特别是在城市等噪声环境中。通常机器学习方法能发现比以前识别的多10倍或更多的地震，在计算和劳动强度上也比模板匹配要少得多。

Q2：Earthquake Transformer是如何工作的？

A：Earthquake Transformer使用一维卷积来分析地震波形数据，第一层分析0.1秒的振动数据块，后续层识别更长时间段的模式。它还使用注意力机制来混合时间序列不同部分的信息，帮助识别地震的整体模式。该模型能输出地震发生概率以及P波和S波到达的时间。

Q3：AI地震检测技术目前有哪些实际应用？

A：目前主要应用包括创建更全面的地震目录、理解和成像火山结构、降低处理大型数据集的成本等。例如，科学家利用AI生成的地震目录成功成像了夏威夷火山系统结构，发现了岩浆连接的直接证据。在分布式声学传感技术中，AI工具也能非常准确地计时地震。