U-Trans: базовая модель для представления сейсмических волн и улучшенных задач по землетрясениям

Почему важно умнее «слушать» землетрясения

Землетрясения могут случиться внезапно, но колебания, которые они распространяют через Землю, содержат массу информации. Превратить эти сигналы в быстрые и надежные ответы — где это произошло? насколько сильное было событие? какой разлом сдвинулся? — задача современных систем мониторинга. В этом исследовании предложен новый способ «слышать» сейсмические волны с помощью мощной универсальной модели ИИ, разработанной для одновременного улучшения множества задач по землетрясениям и для эффективной работы даже при дефиците размеченных данных.

Новый общий «мозг» для сейсмических данных

Большинство существующих инструментов ИИ для землетрясений — специалисты: одна сеть выделяет приходы ключевых волн, другая оценивает магнитуду, третья находит местоположение и так далее. Их часто обучают для одной области, и они слабеют при переносе в другую. Авторы предлагают иной подход, вдохновлённый базовыми моделями в языке и зрении: построить одну большую модель, названную U-Trans, которая изучает богатое внутреннее представление сейсмических сигналов на миллионах примеров, а затем делиться этим представлением с множеством прикладных моделей. Вместо замены существующих систем U-Trans выступает как общий «двигатель признаков», подавая им дополнительные информативные сигналы.

Обучение модели методом скрытия фрагментов

Для обучения U-Trans исследователям не нужны ручные метки вроде времени события или магнитуды. Вместо этого они используют самообучающуюся задачу: берут реальные трёхкомпонентные сейсмограммы из нескольких глобальных наборов данных, намеренно удаляют до примерно трети их содержимого по времени и частоте и просят сеть воссоздать пропавшее. С архитектурной точки зрения U-Trans сочетает U-образный энкодер–декодер, который улавливает тонкие локальные колебания в записях, с компактным модулем трансформера в середине, который изучает дальнодействующие взаимосвязи по всему сигналу. Обучение «заполнению пробелов» заставляет модель усваивать физику P‑ и S‑волн и отделять значимые сигналы от шума.

Скрытые паттерны, отслеживающие приходы ключевых волн

После обучения на примерно 2,5 миллионах сейсмограмм U-Trans способен достоверно восстанавливать искажённые сигналы, что показывает, что он захватил существенную структуру данных. При анализе внутренних латентных признаков — по сути, сжатой внутренней картины, которую модель строит для каждой сейсмограммы — авторы обнаруживают, что эти признаки активируются вблизи моментов прихода P‑ и S‑волн, основных типов волн, используемых в мониторинге землетрясений. Для зашумлённых записей без реальных событий латентные паттерны расплывчаты и неструктурированы. Отдельная визуализация показывает, что внутренние представления модели естественным образом группируют сейсмические сигналы отдельно от шума, даже несмотря на то, что модель никогда прямо не указывали, что есть что.

Усиление множества задач мониторинга одновременно

Чтобы проверить, полезны ли эти изученные признаки на практике, авторы подключают U-Trans к нескольким устоявшимся инструментам глубокого обучения: одному — для выделения прихода P‑ и S‑волн, другому — для определения мест событий по данным одной станции, третьему — для оценки магнитуды и четвёртому — для классификации первой восходящей или нисходящей полярности P‑волны. Для каждой задачи они добавляют латентные признаки U-Trans в виде четвёртого входного канала наряду с исходной трёхкомпонентной сейсмограммой и дообучают объединённую систему. На наборах данных из Калифорнии, Техаса, Италии и Японии — включая регионы, не использованные при первоначальном обучении — это простое дополнение последовательно сокращает ошибки. Определения моментов прихода волн становятся точнее, расстояния и глубины оцениваются точнее, предсказания магнитуд лучше согласуются с каталоговыми значениями, а классификация полярности улучшается, даже когда доступна лишь малая часть размеченных данных.

Что это означает для будущего мониторинга землетрясений

Исследование демонстрирует, что одна самообучающаяся базовая модель может выучить общий «язык» сейсмических колебаний, полезный для множества задач мониторинга. Сосредотачиваясь на восстановлении частично скрытых сейсмограмм, U-Trans естественным образом выделяет приходы волн, которые особенно важны сейсмологам, и передаёт эту отфильтрованную информацию прикладным моделям. На практике такой подход обещает более точные и надёжные каталоги землетрясений, лучшую работу в регионах с ограниченными обучающими данными и гибкую платформу, которую можно расширять по мере появления новых задач. Для общества это шаг к более быстрым и более надёжным оценкам того, когда, где и насколько сильно Земля только что сдвинулась.

Цитирование: 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

Ключевые слова: мониторинг землетрясений, сейсмические волны, глубокое обучение, базовые модели, самостоятельное (self-supervised) обучение