STFNet3D: A three-dimensional dynamic rupture inversion model based on neural networks
本文通过在大型合成数据集上进行训练，证明了利用一维卷积神经网络从源时间函数中准确推断关键动力学破裂参数的可行性，从而为地震反演中的机器学习应用提供了一个可复现的基准。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
地震始于地壳深处裂缝处的一次突然且剧烈的滑动。这种破裂并非同时发生，而是一个动态过程：它从一个点开始，向外迅速扩张，在行进过程中撕裂岩石。这种撕裂的速度、地面滑动的程度以及将岩石固定在一起的摩擦力，都受制于一些隐藏的物理规则。科学家们长期以来一直试图通过我们在地表感受到的震动，反向推导出地下究竟发生了什么。他们观察穿过地球传播的地震波，希望能解码出破裂过程的故事。然而，这是一个极其困难的谜题，因为隐藏的规则与我们感受到的震动之间的关系是高度复杂且非线性的。使用传统方法解决此类问题通常需要大量的计算时间，需要反复运行模拟以寻找匹配项，这减慢了理解这些事件的速度。
一组研究人员现在测试了一种新方法，利用人工智能来更快地解决这个谜题。他们创建了一个名为 STFNet3D 的计算机程序，旨在观察地震的“震源时间函数”。震源时间函数本质上是一张显示地震在一段时间内释放了多少能量的图表，它就像是破裂过程的指纹。研究人员并没有尝试通过运行缓慢且重复的模拟来猜测隐藏的规则，而是训练了一个神经网络——一种模仿人类大脑的计算机系统——来识别这些能量图表中的模式。他们向该系统输入了数万次模拟地震，每一次模拟都具有已知的、特定的岩石间摩擦力和导致其破碎的应力值。目标是看计算机是否能通过观察能量图表，瞬间识别出这些隐藏的数值。
研究人员建立了一个庞大的数据库来教导他们的系统。他们使用一台强大的超级计算机，模拟了 3 种不同场景下的 35,000 次地表垂直裂缝地震。在每次模拟中，他们改变了三个关键要素：挤压断层的初始应力、滑动前固定岩石的静态摩擦力，以及摩擦力开始减弱前岩石必须滑动的距离。对于每一次模拟，他们都记录了相应的震源时间函数。随后，他们在这些数据上训练神经网络，让它学习能量图表的形状与其产生的三个物理要素之间的联系。该系统使用一个五层结构来处理信息，通过不断精炼对模式的理解，最终能够实现高精度的预测。
当他们在新的、未见过的模拟数据上测试训练好的系统时，结果准确得惊人。计算机成功预测了初始应力，平均误差小于 0.5%。它估算的静态摩擦力误差约为 1%。而最难确定的参数——滑动减弱距离，其平均误差仍保持在约 3% 左右。在许多情况下，预测结果非常接近，以至于如果使用计算机猜测的数值重新进行一次模拟，生成的能量图表与由真实值生成的图表几乎完全一致。研究人员发现，该系统在处理应力和摩擦力值时表现最好，而滑动减理解析度略有波动，这表明该特定参数在能量释放模式中留下的特征略显模糊。
研究还探讨了更复杂的计算机模型是否会效果更好。他们测试了具有从一层到五层不等不同层数的网络。虽然没有哪种设计对所有参数都完美适用，但五层模型提供了最可靠的整体性能。这种设计使系统能够同时捕捉数据的宏观趋势和微观细节。研究人员指出，该系统尚未准备好应对现实世界的地震，因为它完全是在完美的模拟数据上训练的，缺乏实际地面环境中的噪声和复杂情况。然而，这项工作证明了神经网络可以从震源时间函数中快速学习破裂物理学。一旦训练完成，系统可以在不到十分之一毫秒的时间内完成一次反演，而传统方法则需要数小时甚至数天。
这项研究为地震学领域提供了一个新工具，提供了一个可重复的模型和受控的数据集，其他科学家可以用它来测试自己的方法。它证明了机器学习可以绕过传统的基于物理建模的缓慢迭代循环，从而快速提供地震源参数的估计。虽然目前的模型局限于简单的平面断层和合成数据，但它为未来能够处理复杂、真实的自然地震的系统奠定了基础。研究结果表明，只要有足够的训练数据，人工智能就可以成为解码地球剧烈物理过程的强大伙伴，几乎瞬间就能将复杂的地震波语言转化为清晰、可操作的数字。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。