2008年1月1日凌晨1點(diǎn)59分，加利福尼亞州卡利帕特里亞發(fā)生了一次地震。你可能從未聽說過這次地震；即使你當(dāng)時(shí)住在卡利帕特里亞，也不會(huì)感覺到任何震動(dòng)。這次地震的震級(jí)為-0.53級(jí)，產(chǎn)生的震動(dòng)相當(dāng)于一輛卡車經(jīng)過時(shí)的震動(dòng)。然而，這次地震值得注意，不是因?yàn)樗鼜?qiáng)度大，而是因?yàn)樗苄　覀儏s知道它的存在。

在過去的七年中，基于計(jì)算機(jī)成像的AI工具幾乎完全自動(dòng)化了地震學(xué)的一項(xiàng)基本任務(wù)：地震檢測。曾經(jīng)需要人類分析師完成的工作——后來是更簡單的計(jì)算機(jī)程序——現(xiàn)在可以通過機(jī)器學(xué)習(xí)工具自動(dòng)快速完成。

這些機(jī)器學(xué)習(xí)工具能夠檢測到比人類分析師更小的地震，特別是在城市等噪聲環(huán)境中。地震能夠提供關(guān)于地球構(gòu)成和未來可能發(fā)生的危險(xiǎn)的寶貴信息。

《地震洞察》通訊的共同作者凱爾·布拉德利說："在最佳情況下，當(dāng)你采用這些新技術(shù)時(shí)，即使是在相同的舊數(shù)據(jù)上，這就像第一次戴上眼鏡一樣，你可以看到樹上的葉子。"

我與幾位地震科學(xué)家交談，他們都認(rèn)為機(jī)器學(xué)習(xí)方法在這些特定任務(wù)上已經(jīng)更好地取代了人類。

康奈爾大學(xué)教授、布拉德利的共同作者朱迪思·哈伯德告訴我："這真的很了不起。"

不太確定的是接下來會(huì)發(fā)生什么。地震檢測是地震學(xué)的基本組成部分，但還有許多其他數(shù)據(jù)處理任務(wù)尚未被顛覆。最大的潛在影響，一直到地震預(yù)報(bào)，還沒有實(shí)現(xiàn)。

得克薩斯大學(xué)達(dá)拉斯分校教授喬·伯恩斯說："這確實(shí)是一場革命。但革命還在進(jìn)行中。"

地震學(xué)家做什么

當(dāng)?shù)卣鹪谀硞€(gè)地方發(fā)生時(shí)，震動(dòng)會(huì)穿過地面?zhèn)鞑?，類似于聲波在空氣中傳播的方式。在這兩種情況下，都可以對(duì)波傳播通過的材料進(jìn)行推斷。

想象敲擊墻壁來判斷它是否是空心的。因?yàn)閷?shí)心墻的振動(dòng)與空心墻不同，你可以通過聲音來判斷結(jié)構(gòu)。

對(duì)于地震，同樣的原理適用。地震波穿過不同材料（巖石、石油、巖漿等）的方式不同，科學(xué)家利用這些振動(dòng)來成像地球內(nèi)部。

科學(xué)家傳統(tǒng)使用的主要工具是地震儀。這些設(shè)備記錄地球在三個(gè)方向上的運(yùn)動(dòng)：上下、南北和東西。如果發(fā)生地震，地震儀可以測量該特定位置的震動(dòng)。

然后科學(xué)家處理原始地震儀信息來識(shí)別地震。

地震產(chǎn)生多種類型的震動(dòng)，它們以不同的速度傳播。兩種類型，縱波（P波）和橫波（S波）特別重要，科學(xué)家喜歡識(shí)別這些階段的開始時(shí)間。

機(jī)器學(xué)習(xí)之前的地震發(fā)現(xiàn)

在有好的算法之前，地震編目必須手工完成。伯恩斯說："傳統(tǒng)上，像美國地質(zhì)調(diào)查局這樣的實(shí)驗(yàn)室會(huì)有一支主要由本科生或?qū)嵙?xí)生組成的隊(duì)伍來查看地震圖。"

然而，你能手動(dòng)找到和分類的地震數(shù)量是有限的。創(chuàng)建有效找到和處理地震的算法長期以來一直是該領(lǐng)域的優(yōu)先事項(xiàng)——特別是自1950年代早期計(jì)算機(jī)出現(xiàn)以來。

布拉德利告訴我："地震學(xué)領(lǐng)域歷史上總是隨著計(jì)算的進(jìn)步而進(jìn)步。"

然而，傳統(tǒng)算法面臨一個(gè)大挑戰(zhàn)：它們不能輕易找到較小的地震，特別是在噪聲環(huán)境中。

正如我們在上面的地震圖中看到的，許多不同的事件都可能引起地震信號(hào)。如果方法過于敏感，就有誤將事件檢測為地震的風(fēng)險(xiǎn)。這個(gè)問題在城市中特別嚴(yán)重，那里持續(xù)的交通和建筑物噪音可能會(huì)淹沒小地震。

然而，地震有一個(gè)特征性的"形狀"。例如，上面的7.7級(jí)地震看起來與直升機(jī)著陸完全不同。

所以科學(xué)家的一個(gè)想法是從人工標(biāo)記的數(shù)據(jù)集制作模板。如果新的波形與現(xiàn)有模板密切相關(guān)，那么它幾乎肯定是地震。

如果你有足夠的人工標(biāo)記示例，模板匹配效果很好。2019年，加州理工學(xué)院扎克·羅斯的實(shí)驗(yàn)室使用模板匹配在南加州發(fā)現(xiàn)了比以前已知的多10倍的地震，包括本文開頭的那次地震。他們發(fā)現(xiàn)的160萬次新地震幾乎都很小，震級(jí)在1級(jí)及以下。

然而，如果你沒有廣泛的預(yù)先存在的模板數(shù)據(jù)集，就不能輕易應(yīng)用模板匹配。這在南加州不是問題——那里已經(jīng)有了震級(jí)1.7以下地震的基本完整記錄——但在其他地方是一個(gè)挑戰(zhàn)。

此外，模板匹配在計(jì)算上很昂貴。使用模板匹配創(chuàng)建南加州地震數(shù)據(jù)集需要200個(gè)英偉達(dá)P100 GPU連續(xù)運(yùn)行數(shù)天。

必須有更好的方法。

Earthquake Transformer的分解

AI檢測模型解決了所有這些問題：

它們比模板匹配更快。

因?yàn)锳I檢測模型非常小（大約35萬個(gè)參數(shù)，相比之下GPT4.0等大語言模型有數(shù)十億個(gè)參數(shù)），它們可以在消費(fèi)級(jí)CPU上運(yùn)行。

AI模型能很好地泛化到原始數(shù)據(jù)集中未表示的區(qū)域。

作為額外的好處，AI模型可以提供關(guān)于不同類型地震震動(dòng)何時(shí)到達(dá)的更好信息。計(jì)時(shí)兩種最重要波的到達(dá)——P波和S波——被稱為震相拾取。它允許科學(xué)家對(duì)地震結(jié)構(gòu)進(jìn)行推斷。AI模型可以在地震檢測的同時(shí)完成這項(xiàng)工作。

地震檢測（和震相拾取）的基本任務(wù)是這樣的：

前三行分別代表不同的振動(dòng)方向（東西、南北和上下）。給定這三個(gè)振動(dòng)維度，我們能否確定是否發(fā)生了地震，如果是，何時(shí)開始？

我們想要檢測初始P波，它直接從地震現(xiàn)場到達(dá)。但這可能很棘手，因?yàn)镻波的回聲可能會(huì)從其他巖層反射并稍后到達(dá)，使波形更加復(fù)雜。

理想情況下，我們的模型在樣本中的每個(gè)時(shí)間步都輸出三樣?xùn)|西：

那一刻發(fā)生地震的概率。

第一個(gè)P波在那一刻到達(dá)的概率。

第一個(gè)S波在那一刻到達(dá)的概率。

我們在第四行看到所有三個(gè)輸出：綠色的檢測、藍(lán)色的P波到達(dá)和紅色的S波到達(dá)。（此樣本中有兩次地震。）

為了訓(xùn)練AI模型，科學(xué)家獲取大量標(biāo)記數(shù)據(jù)，如上所示，并進(jìn)行監(jiān)督訓(xùn)練。我將描述最常用的模型之一：Earthquake Transformer，它是由斯坦福大學(xué)團(tuán)隊(duì)在2020年左右開發(fā)的，該團(tuán)隊(duì)由S. Mostafa Mousavi領(lǐng)導(dǎo)，他后來成為哈佛教授。

像許多地震檢測模型一樣，Earthquake Transformer改編了圖像分類的想法。讀者可能熟悉AlexNet，這是一個(gè)著名的圖像識(shí)別模型，它在2012年啟動(dòng)了深度學(xué)習(xí)熱潮。

AlexNet使用卷積，這是一種神經(jīng)網(wǎng)絡(luò)架構(gòu)，基于物理上接近的像素更可能相關(guān)的想法。AlexNet的第一個(gè)卷積層將圖像分解為小塊——邊長11個(gè)像素——并基于邊緣或梯度等簡單特征的存在對(duì)每個(gè)塊進(jìn)行分類。

下一層將第一層的分類作為輸入，并檢查更高級(jí)別的概念，如紋理或簡單形狀。

每個(gè)卷積層分析圖像的更大部分，并在更高的抽象級(jí)別上操作。到最后幾層，網(wǎng)絡(luò)正在查看整個(gè)圖像并識(shí)別像"蘑菇"和"集裝箱船"這樣的物體。

圖像是二維的，所以AlexNet基于二維卷積。相比之下，地震圖數(shù)據(jù)是一維的，所以Earthquake Transformer在時(shí)間維度上使用一維卷積。第一層分析0.1秒塊中的振動(dòng)數(shù)據(jù)，而后面的層識(shí)別逐漸更長時(shí)間段內(nèi)的模式。

很難說地震模型正在挑選出什么確切的模式，但我們可以將此類比為使用一維卷積的假設(shè)音頻轉(zhuǎn)錄模型。該模型可能首先識(shí)別輔音，然后是音節(jié)，然后是單詞，然后是在增加的時(shí)間尺度上的句子。

Earthquake Transformer將原始波形數(shù)據(jù)轉(zhuǎn)換為一系列高級(jí)表示，這些表示指示地震和其他地震學(xué)上重要事件的可能性。接下來是一系列反卷積層，精確定位地震——及其至關(guān)重要的P波和S波——何時(shí)發(fā)生。

該模型還在模型中間使用注意力層來混合時(shí)間序列不同部分之間的信息。注意力機(jī)制在大語言模型中最為著名，在那里它有助于在單詞之間傳遞信息。它在地震檢測中發(fā)揮類似作用。地震地震圖有一般結(jié)構(gòu)：P波后跟S波后跟其他類型的震動(dòng)。所以如果一個(gè)片段看起來像P波的開始，注意力機(jī)制幫助它檢查是否符合更廣泛的地震模式。

擴(kuò)展地震數(shù)據(jù)

Earthquake Transformer的所有組件都是神經(jīng)網(wǎng)絡(luò)文獻(xiàn)中的標(biāo)準(zhǔn)設(shè)計(jì)。其他成功的檢測模型，如PhaseNet，甚至更簡單。PhaseNet僅使用一維卷積來拾取地震波的到達(dá)時(shí)間。沒有注意力層。

根據(jù)伯恩斯的說法，一般來說，"為地震學(xué)發(fā)明新架構(gòu)的需要不多"。從圖像處理衍生的技術(shù)已經(jīng)足夠了。

那么是什么讓這些通用架構(gòu)如此有效呢？數(shù)據(jù)。大量的數(shù)據(jù)。

Ars之前報(bào)道過ImageNet（圖像識(shí)別基準(zhǔn)）的引入如何幫助引發(fā)深度學(xué)習(xí)熱潮。大型、公開可用的地震數(shù)據(jù)集在地震學(xué)中發(fā)揮了類似作用。

Earthquake Transformer使用斯坦福地震數(shù)據(jù)集（STEAD）進(jìn)行訓(xùn)練，該數(shù)據(jù)集包含來自世界各地的120萬個(gè)人工標(biāo)記的地震圖數(shù)據(jù)段。（STEAD的論文明確提到ImageNet作為靈感）。其他模型，如PhaseNet，也在數(shù)十萬或數(shù)百萬個(gè)標(biāo)記段上進(jìn)行訓(xùn)練。

數(shù)據(jù)和架構(gòu)的結(jié)合就是有效的。根據(jù)伯恩斯的說法，當(dāng)前的模型在識(shí)別和分類地震方面"好得令人發(fā)笑"。通常，機(jī)器學(xué)習(xí)方法發(fā)現(xiàn)的地震是以前在一個(gè)地區(qū)識(shí)別的10倍或更多。你可以在意大利地震目錄中直接看到這一點(diǎn)：

AI工具不一定會(huì)比模板匹配檢測到更多地震。但基于AI的技術(shù)在計(jì)算和勞動(dòng)強(qiáng)度上要少得多，使它們更容易被一般研究項(xiàng)目使用，更容易在世界各地區(qū)應(yīng)用。

總的來說，這些機(jī)器學(xué)習(xí)模型非常好，它們幾乎完全取代了檢測和震相拾取地震的傳統(tǒng)方法，特別是對(duì)于較小的震級(jí)。

所有這些AI東西有什么用

地震科學(xué)的圣杯是地震預(yù)測。例如，科學(xué)家知道西雅圖附近會(huì)發(fā)生大地震，但幾乎無法知道它是明天還是一百年后會(huì)發(fā)生。如果我們能夠足夠精確地預(yù)測地震，允許受影響地區(qū)的人們撤離，那將很有幫助。

你可能認(rèn)為AI工具會(huì)幫助預(yù)測地震，但這似乎還沒有發(fā)生。

康奈爾大學(xué)的朱迪思·哈伯德說，應(yīng)用更多的是技術(shù)性的，不那么引人注目。

更好的AI模型為地震學(xué)家提供了更全面的地震目錄，布拉德利說，這解鎖了"許多不同的技術(shù)"。

最酷的應(yīng)用之一是理解和成像火山?；鹕交顒?dòng)產(chǎn)生大量小地震，其位置幫助科學(xué)家理解巖漿系統(tǒng)的結(jié)構(gòu)。在2022年的一篇論文中，約翰·懷爾丁和合作者使用大型AI生成的地震目錄創(chuàng)建了夏威夷火山系統(tǒng)結(jié)構(gòu)的令人難以置信的圖像。

他們提供了深部Pāhala巖盤群與茂納洛亞火山淺層火山結(jié)構(gòu)之間先前假設(shè)的巖漿連接的直接證據(jù)。你可以在圖像中看到這一點(diǎn)，箭頭標(biāo)記為Pāhala-茂納洛亞地震活動(dòng)帶。作者還能夠?qū)āhala巖盤群的結(jié)構(gòu)澄清為離散的巖漿層。這種細(xì)節(jié)水平可能有助于更好的地震實(shí)時(shí)監(jiān)測和更準(zhǔn)確的噴發(fā)預(yù)報(bào)。

另一個(gè)有前景的領(lǐng)域是降低處理大型數(shù)據(jù)集的成本。分布式聲學(xué)傳感（DAS）是一種強(qiáng)大的技術(shù)，使用光纖電纜來測量電纜整個(gè)長度上的地震活動(dòng)。根據(jù)休斯頓大學(xué)教授李嘉軒的說法，單個(gè)DAS陣列每天可以產(chǎn)生"數(shù)百GB的數(shù)據(jù)"。這么多數(shù)據(jù)可以產(chǎn)生極高分辨率的數(shù)據(jù)集——足以挑選出個(gè)人腳步。

AI工具使得在DAS數(shù)據(jù)中非常準(zhǔn)確地計(jì)時(shí)地震成為可能。在DAS數(shù)據(jù)中引入AI震相拾取技術(shù)之前，李和他的一些合作者試圖使用傳統(tǒng)技術(shù)。雖然這些技術(shù)"大致有效"，但它們對(duì)于下游分析來說不夠準(zhǔn)確。沒有AI，他的許多工作會(huì)"困難得多"，他告訴我。

李也很樂觀，AI工具將來能夠幫助他在豐富的DAS數(shù)據(jù)中分離"新類型的信號(hào)"。

并非所有AI技術(shù)都有回報(bào)

與許多其他科學(xué)領(lǐng)域一樣，地震學(xué)家面臨采用AI方法的一些壓力，無論它們是否與他們的研究相關(guān)。

伯恩斯說："學(xué)校希望你在一切面前都加上AI這個(gè)詞。這有點(diǎn)失控了。"

這可能導(dǎo)致技術(shù)上合理但實(shí)際上無用的論文。哈伯德和布拉德利告訴我，他們看到很多基于AI技術(shù)的論文"揭示了對(duì)地震如何工作的根本誤解"。

他們指出，研究生可能會(huì)感到專門從事AI方法的壓力，而代價(jià)是減少對(duì)科學(xué)領(lǐng)域基礎(chǔ)知識(shí)的學(xué)習(xí)。他們擔(dān)心如果這種AI驅(qū)動(dòng)的研究根深蒂固，舊方法會(huì)被"一種無意義性擊敗"。

雖然這些是真實(shí)的問題，Understanding AI之前也報(bào)道過，但我認(rèn)為它們并不減損AI地震檢測的成功。在過去五年中，基于AI的工作流程幾乎完全取代了地震學(xué)中的一項(xiàng)基本任務(wù)，并且做得更好。

這相當(dāng)酷。

Q&A

Q1：AI地震檢測技術(shù)與傳統(tǒng)方法相比有什么優(yōu)勢？

A：AI地震檢測技術(shù)比傳統(tǒng)方法快得多，可以在消費(fèi)級(jí)CPU上運(yùn)行，能夠檢測到比人類分析師更小的地震，特別是在城市等噪聲環(huán)境中。通常機(jī)器學(xué)習(xí)方法能發(fā)現(xiàn)比以前識(shí)別的多10倍或更多的地震，在計(jì)算和勞動(dòng)強(qiáng)度上也比模板匹配要少得多。

Q2：Earthquake Transformer是如何工作的？

A：Earthquake Transformer使用一維卷積來分析地震波形數(shù)據(jù)，第一層分析0.1秒的振動(dòng)數(shù)據(jù)塊，后續(xù)層識(shí)別更長時(shí)間段的模式。它還使用注意力機(jī)制來混合時(shí)間序列不同部分的信息，幫助識(shí)別地震的整體模式。該模型能輸出地震發(fā)生概率以及P波和S波到達(dá)的時(shí)間。

Q3：AI地震檢測技術(shù)目前有哪些實(shí)際應(yīng)用？

A：目前主要應(yīng)用包括創(chuàng)建更全面的地震目錄、理解和成像火山結(jié)構(gòu)、降低處理大型數(shù)據(jù)集的成本等。例如，科學(xué)家利用AI生成的地震目錄成功成像了夏威夷火山系統(tǒng)結(jié)構(gòu)，發(fā)現(xiàn)了巖漿連接的直接證據(jù)。在分布式聲學(xué)傳感技術(shù)中，AI工具也能非常準(zhǔn)確地計(jì)時(shí)地震。