【儀表網 研發快訊】隨著人工智能技術的飛速發展，大型深度學習模型逐漸成為各行業的熱點。然而，在地球與環境科學探測領域，這些大模型對算力和數據量的要求過高，限制了其在極端應用場景中的可行性。例如，在深部高溫高壓環境、野外供能受限環境，乃至深空星際任務中，常規高性能計算裝置難以部署，通常采用邊緣計算方案開展智能自主研究。近日，一項創新研究展示了超微型智能模型在震源信號實時判別方面的卓越性能，為邊緣智能計算情景提供了新的研究思路。
中國科學院地質與地球物理研究所耿智副研究員與王彥飛研究員等人，以實時判別震動信號初至波類型為切入點，研究提出了一種可直接部署于微控制器的超微型智能模型。與傳統的大型深度學習模型相比，這種超微型模型不僅計算資源需求極低(~10 KB內存)，而且能夠在算力(~200 MHz)與成本(~20元人民幣)極低的通用微控制器上高效運行。針對實時判別環境噪聲、人工爆破和天然地震事件的任務，研究團隊基于美國猶他州礦場爆破數據集UUSS、全球天然地震數據集STEAD，以及俄烏沖突監測數據開展了實例分析(圖1a)。
與常規大模型需要基于工作站處理長時間窗口范圍內的三通道信號不同(圖1b)，該研究挑戰了僅利用若干秒原始波形的單通道震動信號，在單片機上實現實時推理(圖1d)。為此，研究團隊建立了基于進化思想的微型智能模型架構優化設計算法，通過群優化方式實現多重互斥目標(小參數、高性能、低延遲)的約束(圖2)。該算法充分結合云平臺分布式計算，進行智能模型的群體演化與按需迭代，使帕累托最優模型個體能夠最大化表征不同類型震源信號的隱特征分布距離。
該模型在初至信號判別任務中，不僅能以主流經典大模型千分之一的體量與能耗實現更高的判別性能，還能在全球范圍內提供一致的、可解釋的推理依據。這一成果為邊緣智能計算在地球與環境科學探測領域的應用提供了新的研究思路和技術支持。
圖1 數據方案。a. 三種振動信號的全球分布；b. 常規模型的接收信號要求；c. 常規邊緣計算模型的接收信號要求；c. 本創新研究的信號接收要求
圖2 基于進化思想的微型智能模型群體優化建模方案
該研究重點展示了名為MCU-Quake的超微型智能模型(僅包含2693個參數)。模型利用美國猶他州的礦場爆炸與局部天然地震數據進行訓練，可將判別環境噪聲、人工爆炸和天然地震的知識分別編碼為一個浮點數： -5.01(std:1.14)、1.96(std:0.36)和1.01(std:0.49)(圖3a)。有趣的是，模型在北美洲礦場學習到的關鍵數據特征(圖3a)，同樣適用于全球天然地震數據集(圖3b)，并在俄烏沖突期間對模糊的震源信號實現了典型推論(圖3c)。 需重點指出，當使用極其有限的計算資源并將模型部署到微控制器時，只有經典的STA/LTA方法和MCU-Quake能夠實現地震信號實時判別(圖4)。盡管微控制器(Arduino Nano 33)的CPU時鐘頻率僅為64 MHz，MCU-Quake仍能在大約128毫秒內完成每秒推理。
圖3 MCU-Quake對不同震源信號數據集的關鍵特征挖掘。a. 用于訓練的北美礦場數據；b. 用于驗證的全球天然地震數據；c. 用于推論的俄烏沖突數據
圖4 代表性模型在不同計算平臺中的能耗效率測試
該研究表明，人工智能賦能的邊緣計算技術具有更廣泛的應用前景。特別是，微型智能模型可以有效部署在大量仍在使用的老舊計算設備上，從而擴展其影響和實用性。這種擴展兼容性對于那些無法支持資源密集型模型的現有計算平臺尤其重要。此外，將微型智能探測節點與GPS、多種環境傳感器等其他傳感技術集成時，可以提供更全面的信息融合、智能監測與自主決策服務。微型深度學習技術憑借其高效性與多樣性，將為地球與環境科學相關領域研究人員和從業人員提供有吸引力的解決方案。
研究成果發表于國際學術期刊CEE(耿智*, 王彥飛*, 潘文勇，于彩霞，白治經，張洪宙. Real-time discrimination of earthquake signals by integrating artificial intelligence technology into IoT devices[J]. Communications Earth & Environment, 2025, 6(1). DOI:10.1038/s43247-025-02003-y.)。研究受國家自然科學基金(42102351, 42004116, 12261131494, 12171455)資助，由中國科學院地質與地球物理研究所地球科學大數據與人工智能中心提供計算支持。
所有評論僅代表網友意見，與本站立場無關。