U-Trans : un modèle fondationnel pour la représentation des formes d’onde sismiques et l’amélioration des tâches sismologiques en aval

Pourquoi mieux écouter les séismes est important

Les séismes peuvent survenir sans avertissement, mais les vibrations qu’ils transmettent à travers la Terre contiennent une mine d’informations. Transformer ces signaux de secousse en réponses rapides et fiables — Où cela s’est-il produit ? Quelle a été son ampleur ? Quelle faille s’est déplacée ? — est la mission des systèmes modernes de surveillance sismique. Cette étude présente une nouvelle manière « d’écouter » les ondes sismiques à l’aide d’un puissant modèle d’IA polyvalent, conçu pour améliorer simultanément de nombreuses tâches sismologiques en aval et pour bien fonctionner même lorsque les données annotées sont rares.

Un nouveau « cerveau » commun pour les données sismiques

La plupart des outils d’IA existants pour les séismes sont des spécialistes : un réseau détecte l’arrivée des ondes clés, un autre estime la magnitude, un troisième calcule la localisation, etc. Ils sont souvent entraînés sur une seule région et peinent à être transférés ailleurs. Les auteurs proposent une stratégie différente, inspirée des modèles fondationnels en langage et en vision : construire un grand modèle unique, nommé U-Trans, qui apprend une représentation interne riche des formes d’onde sismiques à partir de millions d’exemples, puis partager cette représentation avec de nombreux outils en aval. Plutôt que de remplacer les modèles existants, U-Trans agit comme un « moteur de caractéristiques » commun qui leur fournit des signaux supplémentaires et informatifs.

Apprendre au modèle en cachant des morceaux

Pour entraîner U-Trans, les chercheurs n’ont pas besoin d’étiquettes humaines comme l’heure de l’événement ou la magnitude. Ils utilisent à la place une tâche auto-supervisée : prendre de véritables sismogrammes trois composantes issus de plusieurs jeux de données mondiaux, supprimer délibérément jusqu’à environ un tiers de leur contenu en temps et en fréquence, puis demander au réseau de reconstruire ce qui manque. Sur le plan architectural, U-Trans combine un encodeur–décodeur en forme de U, qui capte les petites oscillations locales dans les traces, avec un module compact de type transformeur au centre qui apprend les relations à long terme à travers la forme d’onde. Apprendre à « remplir les blancs » force le modèle à intérioriser la physique sous-jacente des ondes P et S et à distinguer les signaux significatifs du bruit.

Motifs cachés qui suivent les arrivées d’ondes clés

Après un entraînement sur environ 2,5 millions de sismogrammes, U-Trans peut reconstruire fidèlement des formes d’onde corrompues, montrant qu’il a capturé la structure essentielle des données. Lorsque les auteurs inspectent les caractéristiques latentes internes — essentiellement l’image compressée que le modèle forme pour chaque forme d’onde — ils constatent que ces caractéristiques s’activent autour des temps d’arrivée des ondes P et S, les principaux types d’ondes utilisés en surveillance sismique. Pour des enregistrements bruités sans véritable événement, les motifs latents sont diffus et non structurés. Une technique de visualisation distincte montre que les représentations internes du modèle regroupent naturellement les signaux sismiques à l’écart du bruit, bien qu’il n’ait jamais été explicitement informé de la différence.

Améliorer de nombreuses tâches sismologiques à la fois

Pour vérifier si ces caractéristiques apprises sont réellement utiles, les auteurs intègrent U-Trans dans plusieurs outils d’apprentissage profond établis : un pour détecter les arrivées d’ondes P et S, un pour localiser les événements à partir de données mono-station, un pour estimer la magnitude et un pour classifier le premier mouvement (vers le haut ou vers le bas) d’une onde P. Pour chaque tâche, ils ajoutent les caractéristiques latentes de U-Trans comme quatrième canal d’entrée aux côtés du sismogramme brut trois composantes, puis affinent le système combiné. Sur des jeux de données de Californie, du Texas, d’Italie et du Japon — y compris des régions non utilisées lors de l’entraînement initial — cet ajout simple réduit systématiquement les erreurs. Les détections des temps d’arrivée deviennent plus précises, les distances et profondeurs sont estimées plus exactement, les prédictions de magnitude concordent mieux avec les catalogues et la classification de polarité s’améliore, même lorsque seule une petite fraction des données annotées est disponible.

Ce que cela signifie pour la surveillance sismique future

L’étude montre qu’un seul modèle fondationnel auto-supervisé peut apprendre un « langage » général du mouvement sismique qui profite à de nombreuses tâches de surveillance. En se concentrant sur la reconstruction de formes d’onde partiellement masquées, U-Trans met naturellement en avant les arrivées d’ondes qui importent le plus aux sismologues, puis transmet cette information distillée aux modèles en aval. Concrètement, cette approche promet des catalogues sismiques plus précis et robustes, de meilleures performances dans les régions avec peu de données d’entraînement et un cadre flexible pouvant être étendu à de nouvelles tâches. Pour le public, c’est un pas vers des évaluations plus rapides et plus fiables du moment, du lieu et de l’intensité des mouvements récents de la Terre.

Citation: 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

Mots-clés: surveillance des séismes, formes d’onde sismiques, apprentissage profond, modèles fondationnels, apprentissage auto-supervisé