AI 如何學會挑地震波？

PhaseNet：將挑波轉為圖像分割問題

2019 年，史丹佛大學的 Weiqiang Zhu 與 Greg Beroza 提出 PhaseNet。其最關鍵的貢獻， 是重新定義了挑波問題。過去的做法將挑波視為在一長串訊號中精準找出某個到達時間點， PhaseNet 則將其轉為圖像分割問題，逐點判斷每個取樣點屬於 P 波、S 波或雜訊。 這正是 U-Net 擅長的任務。U-Net 原本用於分割醫學影像，例如在 X 光與 MRI 中圈出器官邊界， 而挑地震波與圈出器官邊界，在本質上屬於同一類問題。

第二項改動較不顯眼，但同樣關鍵。地震波的正確到達時間原本是單一時間點， 要求模型精準命中這個點並不容易訓練，因為目標既尖銳又稀疏，稍有偏差便幾乎完全錯誤。 PhaseNet 將這個時間點展開為一條高斯曲線， 以人工標記的位置為中心，兩側保留一定寬度，等於將人工標記本身的誤差納入訓練目標。 目標變寬之後，模型有了容錯空間，訓練也容易得多。

模型以三軸波形作為輸入，經 U-Net 輸出 P 波、S 波與雜訊三條機率曲線，曲線升高之處即代表該類波到達。 PhaseNet 以美國北加州數十年累積的人工標記資料訓練，速度快且準確度高，此後幾乎成為整個領域的比較基準， 新方法發表時通常都會先與 PhaseNet 比較。

EQTransformer：將三項任務分開處理

2020 年，同一研究群的 Mousavi 等人提出 EQTransformer，發表於《Nature Communications》。

PhaseNet 證明了深度學習挑波的可行性，EQTransformer 則進一步提升模型的判讀能力。 它引進當時在 AI 領域迅速普及的注意力機制（attention，後來的大型語言模型也採用相同的基本概念）， 使模型在判讀一段波形時，能同時參考遠處與近處的線索。

其關鍵設計是將三項任務分開處理：判斷波形中是否有地震、標記 P 波、標記 S 波， 各自交由獨立的輸出分支（head）負責，彼此不受干擾。這樣設計的原因在於，PhaseNet 將 P 波、S 波與雜訊視為三個並列的頻道同時預測，而地震偵測訊號涵蓋整個事件，範圍寬且長， 比重遠大於 P、S 波狹窄的高斯峰值。若全部混合學習，P、S 波的訊號容易被偵測訊號掩蓋， 拆成獨立分支之後，每項任務才能分別學好。EQTransformer 以大型公開地震資料集 STEAD 訓練， 資料量也比 PhaseNet 當年大上許多。

模型大量出現之後的問題

PhaseNet 與 EQTransformer 之後，各種模型陸續發表。這原本是好事，但很快遇到一個實際問題： 不同模型之間無法公平比較。

每個模型使用不同格式的資料、不同的前處理方式與不同的評分標準。若要確認 A 模型是否確實優於 B 模型， 必須先花費數週重新建置兩邊的資料管線與執行環境，光是讀取資料這一步便足以讓許多人卻步。 研究若無法提出可重現的比較，領域便難以進步。

SeisBench：統一模型與資料的介面

2022 年，德國的研究團隊（Woollam、Münchmeyer 等人）推出 SeisBench，目的正是解決這個問題。

SeisBench 的角色類似電腦的 USB 介面：任何訓練完成的模型（如 PhaseNet、EQTransformer） 與任何公開資料集，都以同一種方式接入，更換模型或資料集只需修改一行程式。 原本需要數週建置的環境，如今以幾行程式即可執行，而且不同研究者得到的結果可以直接比較。

SeisBench 並未提出新的挑波模型，但其貢獻同樣重要。它使這個領域從各自開發， 轉變為人人可以使用、結果可以重現。如今一位剛入門的學生，一個下午便能重現過去多篇論文的成果， 這在五年前幾乎無法做到。

後續的研究方向

經過這幾年的發展，AI 挑波已從一個新概念，成長為開放且可重現的生態系，基礎設施已經完備，使用門檻也已降低。

然而工具成熟並不代表問題都已解決。模型在某些情況下仍會出錯，例如 S 波振幅受到抑制， 或是遇到訓練時未曾見過的地區與儀器時表現下降。基礎建立之後，研究的重點自然從能否實現， 轉向這些更具體的問題。

其中一個具體問題的分析，請參閱：AI 為什麼經常漏判 S 波？ →