科學(xué)家改造語音識(shí)別 AI 解讀地震活動(dòng)，從中發(fā)現(xiàn)未來有助于預(yù)測(cè)地震的模式。

原本用于語音識(shí)別的 AI，如今正在解讀地震的“語言”。

美國(guó)洛斯阿拉莫斯國(guó)家實(shí)驗(yàn)室地球與環(huán)境科學(xué)部的一個(gè)研究團(tuán)隊(duì)改造了 Meta 的語音識(shí)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(hào)。

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(shí)會(huì)發(fā)出獨(dú)特的信號(hào)，而其中蘊(yùn)含的模式現(xiàn)在可通過 AI 實(shí)時(shí)追蹤。雖然這并不意味著 AI 能預(yù)測(cè)地震，但這項(xiàng)研究為理解斷層在滑動(dòng)前的行為邁出了重要一步。

該研究項(xiàng)目的首席研究員之一 Christopher Johnson 解釋道：“地震記錄是通過聲學(xué)方式測(cè)量穿過固態(tài)地球的地震波。從信號(hào)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(shù)?！?/p>

研究團(tuán)隊(duì)使用 2018 年夏威夷基拉韋厄火山口崩塌事件的數(shù)據(jù)測(cè)試了這個(gè) 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(dòng)地面，也會(huì)顛覆經(jīng)濟(jì)。過去五年間，日本、土耳其和美國(guó)加州的地震已造成數(shù)百億美元的損失，并導(dǎo)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(lǐng)下，洛斯阿拉莫斯國(guó)家實(shí)驗(yàn)室的這個(gè)研究團(tuán)隊(duì)測(cè)試了語音識(shí)別 AI 能否解讀斷層移動(dòng)，就像解析句子中的詞匯一樣破譯大地的微小震動(dòng)。

為驗(yàn)證他們的方法，該團(tuán)隊(duì)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(gè)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(shí)時(shí)的地表活動(dòng)，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(shí)別模型非常適合此類任務(wù)，因?yàn)樗鼈兩瞄L(zhǎng)識(shí)別復(fù)雜的時(shí)序數(shù)據(jù)模式，無論是人類語音還是地球的微小震動(dòng)。

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(yù)測(cè)的地震信號(hào)。梯度提升樹按順序構(gòu)建多個(gè)決策樹，通過逐步修正誤差以提高預(yù)測(cè)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(hào)。相比之下，Wav2Vec-2.0 等深度學(xué)習(xí)模型在識(shí)別潛在模式方面更具優(yōu)勢(shì)。

AI 如何學(xué)會(huì)傾聽地球發(fā)出的信號(hào)

與此前需手動(dòng)標(biāo)注訓(xùn)練數(shù)據(jù)的機(jī)器學(xué)習(xí)模型不同，研究人員采用自監(jiān)督學(xué)習(xí)方法訓(xùn)練 Wav2Vec-2.0。該模型首先使用連續(xù)地震波形進(jìn)行預(yù)訓(xùn)練，再利用基拉韋厄火山口崩塌序列的真實(shí)數(shù)據(jù)進(jìn)行微調(diào)。

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

尚未解決的難題：AI 能預(yù)測(cè)地震嗎？

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

Christopher Johnson 解釋道：“我們需要擴(kuò)展訓(xùn)練數(shù)據(jù)，納入來自其它地震網(wǎng)絡(luò)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(hào)和人為信號(hào)?！?/p>

邁向更智能的地震監(jiān)測(cè)

盡管在預(yù)測(cè)方面仍面臨挑戰(zhàn)，但這些研究成果標(biāo)志著地震研究領(lǐng)域的一次突破。此項(xiàng)研究表明，專為語音識(shí)別設(shè)計(jì)的 AI 模型可能特別適合解讀斷層不斷產(chǎn)生的復(fù)雜位移信號(hào)。

Christopher Johnson 表示：“這項(xiàng)針對(duì)構(gòu)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(shí)驗(yàn)室實(shí)驗(yàn)數(shù)據(jù)，而非復(fù)發(fā)周期更長(zhǎng)的大型地震斷層帶。要想擴(kuò)展這些研究成果以便在真實(shí)世界中進(jìn)行預(yù)測(cè)，還需結(jié)合物理約束條件進(jìn)一步開發(fā)模型?！?/p>

因此，基于語音的 AI 模型目前尚無法預(yù)測(cè)地震。但這項(xiàng)研究表明，如果科學(xué)家能教會(huì)它們更仔細(xì)地“傾聽”，它們未來或許可以預(yù)測(cè)地震。