伯克利实验室开发AI模型加速地震地面运动模拟

准确预测地面震动，对地震灾害评估和基础设施安全至关重要。然而，由于历史地震事件的地面运动传感器数据稀少，加之物理过程的复杂性，罕见的大地震事件很难建模。

任意一点的地面运动涵盖很宽的频率范围，并受多种因素决定，包括与震中的距离、地震震级、断层破裂方式，以及地震波如何穿过高度不均的地下环境传播。

目前，主要有两种方法，但都各有局限：

• 基于物理的模拟：准确性更高，但计算成本极高，且需要关于地球内部结构和震源的高度详细信息
• 数据驱动的经验多项式方法：速度快，但往往依赖稀疏的传感器数据，难以解释局部地质复杂性

当然，这两种方法及其局限性并非地震学独有：它们出现在众多科学领域，从地下表征到核聚变，从材料科学到分子研究。开发有理论依据的机器学习方法来突破这些局限，是科学机器学习（Scientific Machine Learning, SciML）领域的核心挑战。

如今，美国劳伦斯伯克利国家实验室（Berkeley Lab）的一支科学家团队推出了一套精密的机器学习框架，旨在解决这些局限。他们的技术名为地震动条件生成模型（Conditional Generative Modeling for Ground Motion, CGM-GM），在配备GPU的标准计算机上只需几分钟，就能模拟整个旧金山湾区的数千次地震地面运动——而使用传统计算方法，这一任务需要在昂贵的超级计算机系统上运行数小时。

介绍CGM-GM的论文近期发表在《Nature Communications》（自然·通讯）上。

如何工作

作者们开发了一套方法，利用一种名为条件变分自编码器（conditional variational autoencoder, CVAE）的机器学习模型架构，直接从观测数据中学习支配性的物理结构。

CGM-GM将复杂的地震输入（如震级和震源-接收器几何关系）映射到一种精简的低维数学表示中，既能捕捉地震的核心模式，又不会被原始数据拖入泥潭。这使得模型能够合成高频、空间连续的地震地面运动波形（时域数据），隐式地捕捉地壳的非线性路径效应和非均质性——而在运行时无需显式的物理微分方程。

CVAE框架经过专门增强，可以同时分析震动的时间线和地震波的特定频率，利用分层潜变量将全局地震特征与局部场地效应解耦。这种结构使模型能够以数据驱动的方式进行"插值"：从稀疏的点观测中产出连续的场域输出。

通过克服传统纯物理方法巨大的计算需求，CGM-GM能够高效地模拟地震的高频地面运动。这对于抗震韧性和工程安全至关重要，也为更广泛的实际应用打开了大门。

关键突破：宽频带模拟能力

"虽然只有少数先进的物理地震模拟能够模拟高达5Hz的运动，但CGM-GM可以生成高达15Hz的宽频带运动，"共同第一作者Rie Nakata表示，她是伯克利实验室地球与环境科学领域（EESA）的研究科学家。

"这一能力至关重要，因为每个结构——想想建筑或桥梁——根据地震震动频率的不同，响应方式也不同。高大的建筑往往在低频下振荡，而管道这类结构对高频更敏感。拥有预测宽频带（我们称之为运动频率的大范围）的能力，对于准确评估地震灾害至关重要。"Nakata说。

"基于物理的模拟有时无法精确描述真实世界的动力学，"第一作者Pu Ren表示，他是计算科学领域（CSA）的博士后研究员。"我们的方法直接从观测数据中学习，更擅长捕捉这种复杂性。它还提供了不确定性量化（uncertainty quantification），这在实际应用中非常重要，尤其是对于风险评估和不确定性下的决策。"

可推广到多个科学领域

CGM-GM是SciML优势的一个有力例证——这个快速发展的领域致力于将机器学习的预测能力与各领域科学的物理原理相结合。

虽然CGM-GM最初应用于地震地面运动，但其底层的机器学习范式可以高度移植到其他领域的问题中，包括流体动力学、声学和量子力学。例如，该框架可以应用于：

• 区域天气预报的气候建模

• 湍流模拟成本过高的流体动力学问题

• 需要从稀疏传感器输入重建高分辨率生物结构的医学成像

"我们是在开发AI，而不只是使用AI，"共同第一作者Michael Mahoney表示，他是CSA的AI与学习系统（AILearn）组AI倡议研究负责人，同时也是加州大学伯克利分校统计学系教授。"如果我们想兑现'AI for Science'的承诺，就需要开发跨领域的机器学习方法，而不是只为某一个科学领域开发专属方法。重要的是，CGM-GM解决的计算挑战并非地震科学独有。我们正在提供一种新的东西，它将适用于许多科学问题。"

CGM模型家族

CGM-GM是同一团队开发的更广泛模型家族中的旗舰产品，每个模型都针对不同类型的地震数据和地球物理目标进行了定制：

• CGM-FAS（傅里叶振幅谱）：使用专门设计的CVAE，适用于可以用不同频率分量的幅度来表示影响的问题。该模型的目标是描述"非遍历路径效应（non-ergodic path effects） "——即它试图更好地捕捉地震能量在穿过地球中特定的非均质路径时如何衰减，而不是使用传统的、简化的基于距离的模型。
• CGM-Wave：使用条件扩散模型（conditional diffusion models）（一种与CGM-GM和CGM-FAS所用CVAE模型不同的生成架构）。该模型的目标是从地热田的地震活动中生成高保真、宽频带的波场。

最终，这一系列工作凸显了SciML中的一个转变：从难以捕捉结构性规律的"黑箱"模型，转向通过基本物理约束和从真实地震数据中直接学到的关系来引导AI、从而尊重系统物理规律的生成框架。

它也凸显了生成式方法的长期可扩展性：不是构建一个试图解决所有问题的通用模型，而是构建专门的、具备领域感知能力的"智能体"，分别处理不同的数据模态和/或挑战——波形（CGM-GM）、振幅谱（CGM-FAS）、更广泛的波传播（CGM-Wave）等。

CGM模型家族的共同思路是：用以关键物理可观测量为条件的、数据驱动的生成式AI，替代显式的、计算密集的物理模拟——这一方法适用于众多科学领域。

本研究由伯克利实验室LDRD项目、加州全州地震中心、美国国家科学基金会以及能源部高级科学计算研究（ASCR）项目资助。