Clear Sky Science · ar

U-Trans: نموذج أساسي لتمثيل موجات الزلازل وتحسين المهام اللاحقة المتعلقة بالزلازل

· العودة إلى الفهرس

لماذا الاستماع الأذكى للزلازل مهم

قد تضرب الزلازل بلا إنذار، لكن الاهتزازات التي ترسلها عبر الأرض تحمل ثروة من المعلومات. تحويل تلك الإشارات المهتزة إلى إجابات سريعة وموثوقة — أين حدثت؟ كم كانت شدتها؟ أي صدع تحرك؟ — هو مهمة أنظمة مراقبة الزلازل الحديثة. تقدم هذه الدراسة طريقة جديدة «للاستماع» إلى الموجات الزلزالية باستخدام نموذج ذكاء اصطناعي عام وقوي، صُمم لتعزيز مهام زلزالية متعددة في آن واحد وللعمل جيدًا حتى عندما تكون بيانات التسمية نادرة.

عقل مشترك جديد لبيانات الزلازل

معظم أدوات الذكاء الاصطناعي الحالية للزلازل هي متخصّصة: شبكة واحدة تلتقط وصول الموجات الرئيسية، وأخرى تقدر الشدة، وثالثة تجد الموقع، وهكذا. غالبًا ما تُدرّب على منطقة واحدة وتواجه صعوبة عند نقلها إلى مكان آخر. يقترح المؤلفون استراتيجية مختلفة مستوحاة من النماذج الأساسية في اللغة والرؤية: بناء نموذج كبير واحد، اسمه U-Trans، يتعلّم تمثيلًا داخليًا غنيًا للموجات الزلزالية من ملايين الأمثلة، ثم مشاركة ذلك التمثيل مع أدوات لاحقة متعددة. بدلًا من استبدال النماذج القائمة، يعمل U-Trans كمحرك ميزات مشترك يمدّها بإشارات إضافية ومعلوماتية.

Figure 1
الشكل 1.

تعليم النموذج بإخفاء أجزاء

لتدريب U-Trans، لا يحتاج الباحثون إلى تسميات بشرية مثل زمن الحدث أو شدته. بدلًا من ذلك، يستخدمون مهمة ذاتيّة المشرف: يأخذون تسجيلات زلزالية حقيقية بثلاثة مكونات من عدة مجموعات بيانات عالمية، ويزيلون عمدًا ما يصل إلى نحو ثلث محتواها في كل من الزمن والتردد، ويطلبون من الشبكة إعادة بناء ما فقد. من الناحية المعمارية، يدمج U-Trans مشفر-مفسر على شكل حرف U، يلتقط التذبذبات المحلية الدقيقة في الإشارات، مع وحدة محوّلة مدمجة في الوسط تتعلّم العلاقات بعيدة المدى عبر الموجة. إجبار النموذج على «ملء الفراغات» يجعله يستوعب في داخله الفيزياء الأساسية لموجات P وS ويميز الإشارات ذات الدلالة عن الضوضاء.

أنماط خفيّة تتتبع وصول الموجات الرئيسية

بعد التدريب على نحو 2.5 مليون تسجيل زلزالي، يستطيع U-Trans إعادة بناء الموجات المشوّهة بإخلاص، مما يدل على أنه استخلص البنية الأساسية للبيانات. عندما يفحص المؤلفون الميزات الكامنة الداخلية — في الواقع الصورة المضغوطة التي يشكلها النموذج لكل موجة — يجدون أن هذه الميزات تتوهج حول أزمان وصول موجات P وS، وهما نوعان رئيسيان من الموجات المستخدمة في مراقبة الزلازل. بالنسبة للسجلات الصاخبة التي لا تحتوي على أحداث حقيقية، تكون الأنماط الكامنة متناثرة وغير منظمة. وتُظهر تقنية تصوير منفصلة أن تمثيلات النموذج الداخلية تجمع إشارات الزلازل طبيعيًا بعيدًا عن الضوضاء، على الرغم من أنه لم يُبلَّغ صراحة بما هو زلزال وما هو ضجيج.

تعزيز مهام زلزالية متعددة دفعة واحدة

لاختبار ما إذا كانت هذه الميزات المتعلمة مفيدة فعلاً، يوصل المؤلفون U-Trans بعدة أدوات تعلم عميق معروفة: أداة لالتقاط وصول موجات P وS، وأخرى لتحديد موقع الأحداث من بيانات محطة مفردة، وأداة لتقدير الشدة، وأخرى لتصنيف الحركة الأولى الصاعدة أو النازلة لموجة P. لكل مهمة، يضيفون الميزات الكامنة من U-Trans كقناة إدخال رابعة جنبًا إلى جنب مع التسجيل الزلزالي الخام الثلاثي المكونات ويعيدون ضبط النظام المدمج. عبر مجموعات بيانات من كاليفورنيا وتكساس وإيطاليا واليابان — بما في ذلك مناطق لم تُستخدم في التدريب الأصلي — يقلل هذا الإضافة البسيطة الأخطاء بشكل مستمر. تصبح التحديدات الزمنية لوصول الموجات أكثر دقّة، وتتحسّن تقديرات المسافات والعمق، وتتماشى توقعات الشدة بشكل أفضل مع قيم الكتالوج، ويتحسّن تصنيف القطبية، حتى عند توفر جزء صغير فقط من البيانات الموسومة.

Figure 2
الشكل 2.

ماذا يعني ذلك لمراقبة الزلازل في المستقبل

تُظهر الدراسة أن نموذجًا أساسيًا واحدًا ذاتي الإشراف يمكنه تعلّم «لغة» عامة للاهتزازات الزلزالية تفيد العديد من مهام المراقبة المختلفة. من خلال التركيز على إعادة بناء موجات مخفية جزئيًا، يؤكد U-Trans بطبيعة الحال على وصولات الموجات التي يهتم بها علماء الزلازل أكثر، ثم ينقل تلك المعلومات المقطّرة إلى النماذج اللاحقة. عمليًا، يعد هذا النهج بدقة وقوّة أكبر في فهارس الزلازل، وأداء أفضل في المناطق ذات بيانات التدريب المحدودة، وإطارًا مرنًا يمكن توسيعه مع ظهور مهام جديدة. للجمهور، هو خطوة نحو تقييمات أسرع وأكثر موثوقية لمتى وأين وبأي شدة تحركت الأرض للتو.

الاستشهاد: Saad, O.M., Chen, Y. & Alkhalifah, T. U-Trans: a foundation model for seismic waveform representation and enhanced downstream earthquake tasks. Sci Rep 16, 12657 (2026). https://doi.org/10.1038/s41598-026-41454-x

الكلمات المفتاحية: مراقبة الزلازل, موجات زلزالية, التعلّم العميق, النماذج الأساسية, التعلّم الذاتي المشرف