作者:乔西·加斯韦特，斯坦福大学 1989年10月，洛马普列塔地震严重震动了旧金山和蒙特雷湾地区，这次地震主要发生在一个以前未知的断层上
信用:J
K
中田，美国地质勘探局 田纳西州孟菲斯的一个早晨，穆斯塔法·穆萨维的屏幕上，地球振动的测量数据蜿蜒曲折
作为他博士学位的一部分
D
在地球物理学的研究中，他坐在那里扫描前一天晚上记录的地震信号，验证了几十年前的算法已经检测到了真正的地震，而不是由海浪、路过的卡车或跺脚的足球迷等普通事物产生的震动
“我花了六个月的时间做所有这些乏味的工作，看着连续的数据，”穆萨维，现在是斯坦福大学地球、能源和环境科学学院(斯坦福地球)的研究科学家，最近回忆道
“这就是我所想的，‘必须有一个更好的方法来做这件事。’
" 这是在2013年
手持智能手机已经装载了算法，可以将语音分解成声波，并在这些模式中找出最可能的单词
使用人工智能，他们甚至可以从过去的记录中学习，随着时间的推移变得更加准确
地震波和声波没什么不同
一个穿过岩石和流体，另一个穿过空气
然而，尽管机器学习已经改变了个人电脑处理和与声音互动的方式，但自20世纪80年代以来，用于在地震数据流中检测地震的算法几乎没有改变
这使得许多地震没有被发现
大地震很难错过，但很罕见
同时，潜移默化的小地震时有发生
这些“微地震”发生在与大地震相同的断层上，涉及相同的物理学和相同的机制，它们代表了一个关于地震如何演化的未映射信息的缓存——但前提是科学家能够找到它们
在最近发表在《自然通讯》上的一篇论文中，穆萨维和他的合作者描述了一种利用人工智能来聚焦地球上数百万次细微变化的新方法
该论文的作者之一、斯坦福大学地球物理学家格雷戈里·贝罗扎说:“通过提高我们探测和定位这些非常小的地震的能力，我们可以更清楚地看到地震是如何相互作用的，或者是如何沿着断层传播的，它们是如何开始的，甚至是如何停止的。”
关注重要的事情 穆萨维在孟菲斯检查每日地震图后不久就开始研究自动地震探测技术，但他的模型很难剔除地震数据固有的噪音
几年后，在2017年加入斯坦福的贝罗扎实验室后，他开始思考如何使用机器学习来解决这个问题
该集团生产了一系列日益强大的探测器
贝罗扎和研究生朱伟强开发了一个名为PhaseNet的2018年模型，该模型采用了医学图像处理的算法，在相位选择方面表现出色，包括识别两种不同类型地震波的精确起点
另一个机器学习模型，发布于2019年，被称为CRED，受虚拟助手系统中语音触发算法的启发，被证明在检测方面是有效的
这两个模型都是从仅在加州北部记录的一组相对较小的地震图中了解到地震序列的基本模式
在《自然通讯》的论文中，作者报告说，他们开发了一种新的模型，可以检测当前方法通常忽略的微弱信号的非常小的地震，并使用世界各地的地震数据来选择地震相位的精确时间
他们称之为地震变压器
穆萨维说，这个模型建立在PhaseNet和CRED的基础上，并且“嵌入了我从手工做这些事情的时候得到的见解”
“具体来说，《地震变压器》模仿了人类分析师从整体上看待这一系列扭动的方式，然后专注于一小部分感兴趣的部分
人们在日常生活中凭直觉这样做——剔除不太重要的细节，更专注于重要的事情
计算机科学家称之为“注意力机制”，并经常使用它来改进文本翻译
穆萨维说，但这在自动地震探测领域是新的
他说:“我预计，在未来一两年内，新一代探测器和鉴相器将成为地震监测的标准。”
斯坦福地球大学的韦恩·罗尔地球科学教授贝罗扎说，这项技术可以让分析师专注于从更完整的地震目录中提取见解，从而腾出时间来思考地震的模式意味着什么
隐藏的错误 理解几十年或几个世纪以来小地震积累的模式可能是最大限度地减少大地震发生时的意外和损失的关键
1989年洛马普列塔地震被列为美国最具破坏性的地震灾害之一
S
历史上，也是上个世纪袭击北加州最大的一次
在洛马普列塔事件中，这种区别与其说是非凡的力量，不如说是地震准备、灾害测绘和建筑规范方面的差距——以及大地震的极端罕见性
在全球每年由地震传感器探测到的大约500，000次地震中，只有大约五分之一的地震会产生足以让人注意到的强烈震动
在一个典型的年份里，可能会有100次地震造成损失
在20世纪80年代末，计算机已经开始分析数字记录的地震数据，并在几分钟内确定像洛马普里塔这样的地震的发生和位置
然而，计算机和波形数据的局限性使得许多小地震未被发现，许多大地震仅被部分测量
在洛马普列塔的惨痛教训之后，许多加州社区开始依赖显示断层带和地震可能造成最大破坏的地区的地图
用地震变压器和其他工具充实过去地震的记录，可以使这些地图更加准确，并有助于揭示断层，否则这些断层可能只有在更大的地震(如1989年洛马普列塔6级地震)造成破坏后才会显现出来
7五年后洛杉矶北岭地震
“通过改进对小地震的监测，我们能获得的关于深层三维断层结构的信息越多，我们就能更好地预测未来潜伏的地震，”贝罗扎说
地震变压器 为了确定地震的位置和震级，现有的算法和人类专家都在寻找两种波的到达时间
第一组被称为初级波或纵波，快速前进——当它们穿过地面时，像弹簧一样推动、拉动和压缩地面
接下来是剪切波或横波，它们传播得更慢，但当它们左右或上下移动时，破坏力更大
为了测试地震变压器，该团队想看看它是如何处理不包括在训练数据中的地震的，训练数据用于教授算法真实的地震及其地震阶段是什么样子的
训练数据包括100万张手记地震图，这些记录大多是在过去20年里，除日本以外的全球地震发生的地方
为了测试，他们选择了日本20年前发生6级地震的地区记录的连续五周的数据
鸟取地震及其余震
该模型检测并定位了21092个事件——比人工识别的地震数量多两倍半，使用的数据来自日本科学家最初用来研究地震序列的57个台站中的18个
地震变压器被证明对微小的地震特别有效，这些地震对人类来说很难识别，而且随着地震传感器的增加，记录下来的地震数量会越来越多
“以前，人们曾设计算法来说，找到P波
这是一个相对简单的问题，”合著者、斯坦福大学地球物理学研究教授威廉·埃尔斯沃斯解释道
他说，确定横波的开始更加困难，因为它是从快速移动的纵波不稳定的最后喘息中出现的
其他算法已经能够生成极其详细的地震目录，包括分析师遗漏的大量小地震——但是它们的模式匹配算法只在提供训练数据的区域起作用
地震变压器在一台简单的计算机上运行，通常需要几个月的专家劳动的分析在20分钟内完成
这种速度是通过算法来实现的，这些算法一前一后地搜索地震的存在和地震相位的时间，使用从每次搜索中收集的信息来缩小其他搜索的解决方案
埃尔斯沃思说:“地震变压器比其他方法得到更多的地震，无论是人们坐着，试图通过观察波形来分析事物，还是旧的计算机方法。”
“我们对地震过程有了更深入的了解，我们做得更有效、更准确
" 研究人员根据历史数据训练和测试了地震变压器，但是这项技术已经准备好几乎在小地震发生时就标记它们
根据贝罗扎的说法，“使用机器学习的近实时地震监测即将到来
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
