AI如何學會傾聽地球發(fā)出的信號

科學家改造語音識別 AI 解讀地震活動，從中發(fā)現(xiàn)未來有助于預測地震的模式。

原本用于語音識別的 AI，如今正在解讀地震的“語言”。

美國洛斯阿拉莫斯國家實驗室地球與環(huán)境科學部的一個研究團隊改造了 Meta 的語音識別AI 模型 Wav2Vec-2.0，將其用于分析 2018 年夏威夷基拉韋厄火山崩塌期間的地震信號。

他們的研究成果已經(jīng)發(fā)表在《自然-通訊》（Nature Communications）上。該研究表明，斷層位移時會發(fā)出獨特的信號，而其中蘊含的模式現(xiàn)在可通過 AI 實時追蹤。雖然這并不意味著 AI 能預測地震，但這項研究為理解斷層在滑動前的行為邁出了重要一步。

該研究項目的首席研究員之一 Christopher Johnson 解釋道：“地震記錄是通過聲學方式測量穿過固態(tài)地球的地震波。從信號處理的角度來看，音頻和地震波形分析都用到了很多類似的技術。”

研究團隊使用 2018 年夏威夷基拉韋厄火山口崩塌事件的數(shù)據(jù)測試了這個 AI 模型。該事件引發(fā)了持續(xù)數(shù)月的地震，并重塑了火山地貌。在 2020-2021 年噴發(fā)期間，哈雷茂茂火山口的熔巖湖正是基拉韋厄火山持續(xù)活躍的鮮明例證。（

大地震不僅撼動地面，也會顛覆經(jīng)濟。過去五年間，日本、土耳其和美國加州的地震已造成數(shù)百億美元的損失，并導致數(shù)百萬人流離失所。

這正是 AI 的用武之地。在 Christopher Johnson、Kun Wang 和 Paul Johnson 的帶領下，洛斯阿拉莫斯國家實驗室的這個研究團隊測試了語音識別 AI 能否解讀斷層移動，就像解析句子中的詞匯一樣破譯大地的微小震動。

為驗證他們的方法，該團隊使用了 2018 年基拉韋厄火山口劇烈崩塌事件的數(shù)據(jù)。該事件在三個月內(nèi)引發(fā)了一系列地震。

AI 分析地震波形并將其映射到實時的地表活動，結(jié)果表明，斷層可能以類似人類語言的模式“發(fā)聲”。

Wav2Vec-2.0 等語音識別模型非常適合此類任務，因為它們擅長識別復雜的時序數(shù)據(jù)模式，無論是人類語音還是地球的微小震動。

該 AI 模型的表現(xiàn)優(yōu)于梯度提升樹等傳統(tǒng)方法，后者難以處理不可預測的地震信號。梯度提升樹按順序構建多個決策樹，通過逐步修正誤差以提高預測精度。

然而，梯度提升樹模型難以處理地震波形等高度可變的連續(xù)信號。相比之下，Wav2Vec-2.0 等深度學習模型在識別潛在模式方面更具優(yōu)勢。

AI 如何學會傾聽地球發(fā)出的信號

與此前需手動標注訓練數(shù)據(jù)的機器學習模型不同，研究人員采用自監(jiān)督學習方法訓練 Wav2Vec-2.0。該模型首先使用連續(xù)地震波形進行預訓練，再利用基拉韋厄火山口崩塌序列的真實數(shù)據(jù)進行微調(diào)。

NVIDIA 加速計算在并行處理海量地震波形數(shù)據(jù)時發(fā)揮了關鍵作用。高性能的NVIDIA GPU加速了訓練過程，使 AI 能夠高效地從連續(xù)地震信號中發(fā)現(xiàn)有意義的模式。

尚未解決的難題：AI 能預測地震嗎？

盡管 AI 在實時追蹤斷層位移方面展現(xiàn)出潛力，但在預測未來位移方面效果較為遜色。在嘗試訓練模型進行短期預測（即要求其在斷層滑動之前做出預測）時，結(jié)果尚不明確。

Christopher Johnson 解釋道：“我們需要擴展訓練數(shù)據(jù)，納入來自其它地震網(wǎng)絡的連續(xù)數(shù)據(jù)，這些數(shù)據(jù)包含更多各式各樣的自然信號和人為信號?！?/p>

邁向更智能的地震監(jiān)測

盡管在預測方面仍面臨挑戰(zhàn)，但這些研究成果標志著地震研究領域的一次突破。此項研究表明，專為語音識別設計的 AI 模型可能特別適合解讀斷層不斷產(chǎn)生的復雜位移信號。

Christopher Johnson 表示：“這項針對構造斷層系統(tǒng)的研究仍處于早期階段。目前的成果更接近實驗室實驗數(shù)據(jù)，而非復發(fā)周期更長的大型地震斷層帶。要想擴展這些研究成果以便在真實世界中進行預測，還需結(jié)合物理約束條件進一步開發(fā)模型?！?/p>

因此，基于語音的 AI 模型目前尚無法預測地震。但這項研究表明，如果科學家能教會它們更仔細地“傾聽”，它們未來或許可以預測地震。