虛擬地震學才出現幾年，并且已經對地震監測產生了重大影響。
過去，地震相位拾取是一項使用地震波到達時間標記地震圖的任務，地震波到達時間是全球地震監測操作的基礎。因此，它需要大量勞動力，充滿主觀性，并且容易出錯。
由 NVIDIA GPU 支持的深度學習技術已經克服了這些挑戰。我們的論文 用于地震到達點多工作站揀貨的相位神經運算符 引入了一種新的通用網絡范圍的相位選擇算法。該算法基于最近開發的一種名為神經運算符的機器學習范式。我們的模型，命名為 PhaseNO，利用時空上下文信息，能夠為任何地震網絡幾何圖形同時選擇相位。
借助 NVIDIA DGX GPU 加速的 PhaseNO 扎根于地震學領域，證明了神經運算符在革新地震相位選擇方法方面的變革性潛力，從而開啟了科學計算的新篇章。
地震相位檢測
地震檢測和相位拾取是地震地震學的基礎任務，其目的是在連續數據中識別地震，并測量地震波的到達時間。這些到達時間測量或相位拾取,對于構建準確的地震目錄至關重要，地震目錄是地震屬性的數據庫，包括發生時間、源位置和震級。
當您瀏覽全球龐大的連續地震數據時，可以通過完善地震目錄這一內容豐富的資源，深入了解以往未被注意到的地震事件，從而闡明斷層的復雜性、地震行為和地下動力學。
先進的相位拾取方法使用深度神經網絡 (DNN) 獨立標注每個工作站的地震圖。DNN 在過去幾十年中使用由人類分析人員手動標記的大量數據集進行訓練，通過輸入地震圖預測 P 和 S 到達時間的概率。這通過設置預定的概率值來確定到達時間。
PhaseNO 展示了向自動化和精確相位拾取的范式轉變。在這種情況下，深度神經運算符經過訓練，能夠識別地震數據中的復雜模式，并提取有用的地震相位拾取特征，而無需事先提供有關數據集的任何信息。
打破單站障礙
在分析地震波形方面，當前的單站深度學習模型的運行方式與人類分析師的操作方式截然不同。經驗豐富的分析師會檢查來自多個工作站的波形，從而能夠識別弱但一致的地震信號，并區分噪聲峰值。
相比之下，由于缺乏來自多個工作站的上下文信息，基于單工作站的模型本質上受到其設計的限制，使其很容易無法檢測到隱藏在高噪聲級別中的事件，或錯誤地檢測到帶有出現脈沖的局部噪聲信號。
隨著以單工作站算法為中心的傳統方法接近性能頂峰，PhaseNO 引入了一種范式轉換。該算法使用神經運算符來超越單工作站方法的限制，提供全網絡視角。通過吸收來自具有任意幾何圖形的不同工作站的數據，PhaseNO 實現了前所未有的地震監測效率。
在加州理工學院 (CalTech) 的神經運算實驗室，我們在 Zachary E. Ross 的指導下與 NVIDIA Research 合作，利用北加州地震數據中心 (Northern California Earthquake Data Center, 1984-2019 年) 的地震數據集對 PhaseNO 進行了訓練。我們評估了該方法在真實地震數據集上的性能，并將其與先進的相位拾取方法 PhaseNet、EQTransformer 以及 EdgePhase 進行了比較。
P 波和 S 波的最高 F1 分數分別為 0.99 和 0.98，與其他深度學習模型相比，PhaseNO 檢測到更多真陽性、更少的假陰性和更少的假陽性選擇。
PhaseNO 的架構獨特性
PhaseNO 的有效性源于其架構創新。它將兩種類型的神經運算符相結合，以處理地震網絡數據的數學結構。通過集成用于時間信息的里葉神經運算符 (FNO) 層和用于空間見解的圖神經運算符 (GNO)，PhaseNO 能夠巧妙地導航不規則的傳感器放置(圖 2)。
FNO 和 GNO 層按順序連接并重復幾次，從而實現地震網絡中所有站點之間的充分通信和時空信息交換。這種協同組合有助于跨復雜程度不同的地震網絡實現高效、準確的相位揀貨。
此外，有效的圖形類型數據增強策略(通過添加僅有噪聲的虛擬站點并在一個時間窗口內堆疊多個事件)進一步利用 PhaseNO 的潛力，并增強其處理復雜真實數據集的能力。
真實應用
在過去一年中，PhaseNO 對真實世界的地震數據集進行了嚴格的評估，并根據先進的相位拾取方法進行了基準測試。我們將在北加州地震網絡上訓練的 PhaseNO 應用于南加州地震網絡。在 2019 年 Ridgecrest 地震序列中，PhaseNO 檢測到的事件比 PhaseNet 多 4428 個，這是一個具有挑戰性的數據集，原因是許多事件的重疊。
圖 2 顯示了 PhaseNO 檢測到的另一個事件的示例，該事件隱藏在較大事件的波形中。結果強調了其在檢測更多地震、接收大量相位到達以及大幅提高測量準確性方面的出色性能。
地震監測的未來
PhaseNO 已成為地震監測領域的進步燈塔。該算法的成功體現了先進機器學習技術與地震監測的交叉融合，為改進地震監測系統奠定了堅實的基礎。 其細致入微的方法通過神經運算符將時間和空間因素緊密結合，展現了地震學未來的一種可能。我們期待 PhaseNO 的持續發展及其對地震監測系統的持續積極影響。
要試用預訓練的 PhaseNO 模型，請訪問 PhaseNO，并參加我們即將在美國地球物理聯盟 2023 年年會上進行的展示內容。
?
