一天早晨，在田纳西州孟菲斯市，莫斯塔法·穆萨维（Mostafa Mousavi）的屏幕上测量了地球振动的曲度和波动。作为地球物理学博士研究的一部分，他需要每天记录地震信号扫描过程，这个验证了数十年之久的算法，能够检测到真正的地震而非由诸如海浪撞击，卡车驶过或踩踏足球迷等普通事物产生的震感。
斯坦福大学地球能源与环境科学学院（斯坦福大学地球学院）的研究科学家穆萨维最近回忆说：“我花了六个月的时间完成所有这些乏味的工作，” “我当时就是这么想的，'必须有一种更好的方法来预测这些东西。'”
那是在2013年。手持式智能手机已经装有算法，可以将语音分解为声波，并提供这些模式中最可能出现的单词。利用人工智能，他们甚至可以从过去的录音中学习，从而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计算机处理声音以及与声音和声音进行交互的方式，但自1980年代以来，用于检测地震数据流中地震的算法几乎没有改变。
那使许多地震未被预测到。
大地震很少见，但是，轻微的地震一直在发生。这些“微地震”发生在与大地震相同的断层上，并且涉及相同的物理学和相同的机制，它们代表了关于地震如何演化的未开发信息的缓存，但前提是科学家能够找到它们。
在最近发表于《自然通讯》上的一篇论文中，穆萨维及其合著者描述了一种利用人工智能将数百万种地球上的微地震的变化聚焦的新方法。斯坦福大学地球物理学家格里高里·贝罗扎（Gregory Beroza）说：“通过提高我们探测和定位这些很小的地震的能力，我们可以更清楚地了解地震如何沿断层相互作用或散布，如何开始，甚至如何停止。”
专注于重要的事情
穆萨维（Mousavi）在检查了孟菲斯的每日地震图后不久就开始致力于使地震检测自动化的技术，但他的模型难以调和地震数据固有的噪声。几年后，在2017年加入斯坦福大学Beroza实验室之后，他开始考虑如何使用机器学习解决此问题。
该小组生产了一系列功能越来越强大的探测器。由Beroza和研究生朱伟强（Weiqiang Zhu）开发的一种名为PhaseNet的2018年模型将医学图像处理算法改进为在相位拾取方面表现出色，该模型涉及识别两种不同类型地震波的精确起点。另一个名为CRED的机器学习模型于2019年发布，其灵感来自虚拟助手系统中的语音触发算法，并被证明可以有效地进行检测。两种模型都从仅在加利福尼亚北部记录的相对较小的一组地震图中了解地震序列的基本模式。
在《自然通讯》的论文中，作者报告说，他们已经开发出了一种新模型，可以检测出当前方法通常会忽略的，带有微弱信号的很小的地震，并利用来自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。
根据Mousavi所说，该模型建立在PhaseNet和CRED的基础上。具体来说，《地震变形金刚》模仿了人类分析家将摆动的整体视为整体，然后细化感兴趣的一小部分的方式。
人们在日常生活中会直观地做到这一点，那就是筛选出不那么重要的细节，以便更专注于重要的事情。计算机科学家将其称为“注意力机制”，并经常使用它来改善文本翻译。穆萨维说，但这对自动地震探测领域来说是新的。他说：“我认为，新一代的探测器和相位选择器将成为未来一两年内地震监测的标准。”
斯坦福大学地球科学系韦恩·洛尔（Wayne Loel）地球科学教授贝罗扎（Beroza）说，这项技术可以使分析人员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模式的含义。
隐藏的故障
了解数十年或几个世纪以来小震积累的方式，对于最大程度地减少地震造成的意外和破坏至关重要。
地震传感器每年在全球范围内检测到的大约500,000场地震，只有大约五分之一产生的震动足以引起人们的注意。最多的一年，可能会造成100次地震。
在1980年代后期，计算机已经在工作，用于分析数字记录的地震数据，它们可以在数分钟内确定像Loma Prieta这样的地震的发生和位置。但是，由于计算机和波形数据的局限性，许多小地震未被发现，许多大地震仅被部分测量。
洛玛·普里塔（Loma Prieta）受到严酷的教训之后，许多加利福尼亚社区开始依赖地图显示断层带和地震可能造成最大破坏的地区。使用Earthquake Transformer和其他工具整理过去的地震记录，可以使这些地图更加准确，并有助于揭示那些只有在更大的地震破坏后才可以发现的断层，例如1989年的Loma Prieta，五年后，洛杉矶发生北里奇6.7级地震。
贝罗萨说：“通过改进对小地震的监测，我们可以获得关于深层三维断层结构的更多信息，我们就可以更好地预测将来会潜伏的地震。”
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类型的波的到达时间。第一组称为主波或P波，它们快速前进-在地面移动时像Slinky一样推动，拉动和压缩地面。接下来是剪切波或S波，它们传播的速度较慢，但随着地球左右移动或上下移动，其破坏性可能更大。
为了测试Earthquake Transformer，该团队希望了解它如何与未包含在训练数据中的地震一起工作，该训练数据用于教算法真正的地震及其震相是什么样子。训练数据包括一百万个手工标记的地震图，这些地震图主要记录在过去二十年间发生的全球地震，日本除外。
该模型使用日本科学家最初用来研究该序列的57个站点中的18个中的数据，检测并定位了21,092个事件，是人工地震数量的两倍以上。事实证明，地震变压器对微小的地震特别有效，因为地震传感器不断增加，人类难以察觉并被大量记录。
斯坦福大学地球物理学研究教授威廉·埃尔斯沃思（William Ellsworth）解释说：“以前，人们设计算法来说出P波。这是一个相对简单的问题。” 他说，确定S波的开始更加困难，因为它是从快速移动的P波的不稳定最后一声中浮现出来的。其他算法也能够生成极其详细的地震目录，包括分析人员遗漏的大量小地震-但它们的模式匹配算法仅在提供训练数据的区域有效。
借助在简单计算机上运行的Earthquake Transformer，本来通常需要花费数月时间专家分析，现在能在20分钟内完成。通过使用从每次搜索中搜集的信息来缩小搜索范围的算法，可以串联搜索地震的存在和地震阶段的时间的算法，使该速度成为可能。
埃尔斯沃思说：“地震变压器比其他方法算到的的地震要多得多，无论是人们坐着并试图通过观察波形来分析事物，还是采用较旧的计算机方法。” “我们正在对地震过程进行更深入的了解，并且我们将更加有效和准确地进行地震预测工作。”
研究人员根据历史数据对地震变压器进行了培训和测试，使该技术几乎可以在发生微小地震时就可以立即进行标记。根据Beroza所说，“使用机器学习以近乎实时的方式进行地震监测即将到来。”
