AI 為什麼經常漏判 S 波？

因此近年來，地震學家將這項工作交由深度學習處理。模型訓練完成後，輸入一段波形， 便能輸出 P 波與 S 波各自的到達時刻。

P 波與 S 波是地震波的兩種類型。P 波傳播速度較快，最先抵達；S 波速度較慢、較晚抵達，但破壞力更強， 建築物最明顯的搖晃主要來自 S 波。判斷震源位置與地震規模時，兩者的到達時間都不可遺漏。

一種難以解釋的失敗模式

問題在於，AI 挑選 P 波時表現相當穩定，挑選 S 波時卻經常出錯。 在同一段波形中，S 波的位置對分析人員而言一目瞭然，模型卻輸出一個形狀扭曲、高度不足的小峰值， 恰好低於設定的偵測門檻，因而被視為未偵測到。

更特別的是，模型判斷的位置往往是正確的，時間沒有偏差，只是高度不足。

地震學界注意到這個現象已有多年，常見的因應方式是換用更大的模型、加入更多資料或調整訓練方法， 將其視為一項惱人的副作用，設法迴避。

這篇論文並未選擇迴避，而是著手釐清問題的根本原因。

預測停滯的原因

以評判一幅肖像畫是否相似為例，直覺的做法是觀察整張臉。 但若規則改為不可觀察整體，只能將畫面切成數百個小格，每格獨立評分後加總，評判便會遇到困難。

每一格只能指出該格應調亮或調暗，沒有任何一格能指出整張臉應向左移動。 因此當預測的形狀正確、位置卻稍微偏右時，每一格收到的訊號只有此處應調亮或此處應壓低。 預測於是越來越淡，位置卻始終無法修正。

傳統訓練 AI 挑選 S 波的方式，正是這種逐格評分。它沒有任何機制告訴模型整體應往哪個方向移動， 只能上下調整數值，S 波預測因此停滯在某個位置，並且越壓越扁。

S 波特別容易出現這個問題，還有兩個加劇的因素。第一，S 波的標準答案本身較為模糊。 S 波傳播較遠之後，波形會變寬、邊界變得不清楚，即使是專家標記的位置也可能相差數百毫秒， 訓練資料中的正確答案因此帶有雜訊。第二，AI 模型傾向回應尖銳的特徵，會將預測固定在波形上最明顯的轉折處， 而這個位置恰好不是 S 波應在的位置。

上述三項因素同時作用，使 S 波預測停滯在無法改善的狀態。

解決方法

找出成因之後，便能據此提出解決方法。

作者採用一種稱為 GAN 的技術。GAN 通常用於生成影像或影片，原理是讓兩個模型互相對抗， 一個負責生成，一個負責鑑別。生成器設法騙過鑑別器，鑑別器設法分辨真假， 最終生成器的產出會越來越接近真實資料。

在這篇論文中，鑑別器的工作是檢視模型的輸出，判斷其整體形狀是否與真實標籤相似。 鑑別器評估的是輸出的整體形狀，不針對每一格的數值個別評分。

這項設計補上了原本缺少的訊號。模型不能只將每一格的數值調整正確，還必須使整體形狀合理， 否則便會被鑑別器識破。

這項研究在 64% 之外的意義

64% 是相當亮眼的數字，但這篇論文更值得注意的地方在於方法。

論文將一個原本被視為工程問題的現象，拆解為可以理解、預測與分析的對象， 清楚說明預測為何停滯、停滯於何處，以及如何解除，整個流程因此從反覆試誤轉變為有原則的分析。

這套診斷方式不僅適用於地震，凡是需要從訊號中標記時間點的任務都適用， 例如心電圖中的心跳、衛星訊號中的事件，以及語音中的音節邊界。 只要標準答案是一個具有形狀的訊號，傳統的逐點評分都可能導致相同的問題。

論文最後提出一個觀點：理解損失函數本身的形狀，與理解模型架構同等重要。 研究者經常討論應採用哪種網路、增加多少層或使用哪種函數， 卻較少檢視模型所優化的目標本身是否設計得當。若評分標準本身有誤，即使採用更強大的模型，也無法解決這類問題。