AI如何学会倾听地球发出的信号

科学家改造语音识别 AI 解读地震活动，从中发现未来有助于预测地震的模式。

原本用于语音识别的 AI，如今正在解读地震的“语言”。

美国洛斯阿拉莫斯国家实验室地球与环境科学部的一个研究团队改造了 Meta 的语音识别AI 模型 Wav2Vec-2.0，将其用于分析 2018 年夏威夷基拉韦厄火山崩塌期间的地震信号。

他们的研究成果已经发表在《自然-通讯》（Nature Communications）上。该研究表明，断层位移时会发出独特的信号，而其中蕴含的模式现在可通过 AI 实时追踪。虽然这并不意味着 AI 能预测地震，但这项研究为理解断层在滑动前的行为迈出了重要一步。

该研究项目的首席研究员之一 Christopher Johnson 解释道：“地震记录是通过声学方式测量穿过固态地球的地震波。从信号处理的角度来看，音频和地震波形分析都用到了很多类似的技术。”

研究团队使用 2018 年夏威夷基拉韦厄火山口崩塌事件的数据测试了这个 AI 模型。该事件引发了持续数月的地震，并重塑了火山地貌。在 2020-2021 年喷发期间，哈雷茂茂火山口的熔岩湖正是基拉韦厄火山持续活跃的鲜明例证。（

大地震不仅撼动地面，也会颠覆经济。过去五年间，日本、土耳其和美国加州的地震已造成数百亿美元的损失，并导致数百万人流离失所。

这正是 AI 的用武之地。在 Christopher Johnson、Kun Wang 和 Paul Johnson 的带领下，洛斯阿拉莫斯国家实验室的这个研究团队测试了语音识别 AI 能否解读断层移动，就像解析句子中的词汇一样破译大地的微小震动。

为验证他们的方法，该团队使用了 2018 年基拉韦厄火山口剧烈崩塌事件的数据。该事件在三个月内引发了一系列地震。

AI 分析地震波形并将其映射到实时的地表活动，结果表明，断层可能以类似人类语言的模式“发声”。

Wav2Vec-2.0 等语音识别模型非常适合此类任务，因为它们擅长识别复杂的时序数据模式，无论是人类语音还是地球的微小震动。

该 AI 模型的表现优于梯度提升树等传统方法，后者难以处理不可预测的地震信号。梯度提升树按顺序构建多个决策树，通过逐步修正误差以提高预测精度。

然而，梯度提升树模型难以处理地震波形等高度可变的连续信号。相比之下，Wav2Vec-2.0 等深度学习模型在识别潜在模式方面更具优势。

AI 如何学会倾听地球发出的信号

与此前需手动标注训练数据的机器学习模型不同，研究人员采用自监督学习方法训练 Wav2Vec-2.0。该模型首先使用连续地震波形进行预训练，再利用基拉韦厄火山口崩塌序列的真实数据进行微调。

NVIDIA 加速计算在并行处理海量地震波形数据时发挥了关键作用。高性能的 NVIDIA GPU 加速了训练过程，使 AI 能够高效地从连续地震信号中发现有意义的模式。

尚未解决的难题：AI 能预测地震吗？

尽管 AI 在实时追踪断层位移方面展现出潜力，但在预测未来位移方面效果较为逊色。在尝试训练模型进行短期预测（即要求其在断层滑动之前做出预测）时，结果尚不明确。

Christopher Johnson 解释道：“我们需要扩展训练数据，纳入来自其它地震网络的连续数据，这些数据包含更多各式各样的自然信号和人为信号。”

迈向更智能的地震监测

尽管在预测方面仍面临挑战，但这些研究成果标志着地震研究领域的一次突破。此项研究表明，专为语音识别设计的 AI 模型可能特别适合解读断层不断产生的复杂位移信号。

Christopher Johnson 表示：“这项针对构造断层系统的研究仍处于早期阶段。目前的成果更接近实验室实验数据，而非复发周期更长的大型地震断层带。要想扩展这些研究成果以便在真实世界中进行预测，还需结合物理约束条件进一步开发模型。”

因此，基于语音的 AI 模型目前尚无法预测地震。但这项研究表明，如果科学家能教会它们更仔细地“倾听”，它们未来或许可以预测地震。