隨著人工智能技術(shù)的飛速發(fā)展，大型深度學(xué)習(xí)模型逐漸成為各行業(yè)的熱點(diǎn)。然而，在地球與環(huán)境科學(xué)探測領(lǐng)域，這些大模型對算力和數(shù)據(jù)量的要求過高，限制了其在極端應(yīng)用場景中的可行性。例如，在深部高溫高壓環(huán)境、野外供能受限環(huán)境，乃至深空星際任務(wù)中，常規(guī)高性能計(jì)算裝置難以部署，通常采用邊緣計(jì)算方案開展智能自主研究。近日，一項(xiàng)創(chuàng)新研究展示了超微型智能模型在震源信號實(shí)時(shí)判別方面的卓越性能，為邊緣智能計(jì)算情景提供了新的研究思路。
 

　　中國科學(xué)院地質(zhì)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(shí)時(shí)判別震動信號初至波類型為切入點(diǎn)，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(tǒng)的大型深度學(xué)習(xí)模型相比，這種超微型模型不僅計(jì)算資源需求極低(~10 KB內(nèi)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(yùn)行。針對實(shí)時(shí)判別環(huán)境噪聲、人工爆破和天然地震事件的任務(wù)，研究團(tuán)隊(duì)基于美國猶他州礦場爆破數(shù)據(jù)集UUSS、全球天然地震數(shù)據(jù)集STEAD，以及俄烏沖突監(jiān)測數(shù)據(jù)開展了實(shí)例分析(圖1a)。
 

　　與常規(guī)大模型需要基于工作站處理長時(shí)間窗口范圍內(nèi)的三通道信號不同(圖1b)，該研究挑戰(zhàn)了僅利用若干秒原始波形的單通道震動信號，在單片機(jī)上實(shí)現(xiàn)實(shí)時(shí)推理(圖1d)。為此，研究團(tuán)隊(duì)建立了基于進(jìn)化思想的微型智能模型架構(gòu)優(yōu)化設(shè)計(jì)算法，通過群優(yōu)化方式實(shí)現(xiàn)多重互斥目標(biāo)(小參數(shù)、高性能、低延遲)的約束(圖2)。該算法充分結(jié)合云平臺分布式計(jì)算，進(jìn)行智能模型的群體演化與按需迭代，使帕累托最優(yōu)模型個(gè)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(wù)中，不僅能以主流經(jīng)典大模型千分之一的體量與能耗實(shí)現(xiàn)更高的判別性能，還能在全球范圍內(nèi)提供一致的、可解釋的推理依據(jù)。這一成果為邊緣智能計(jì)算在地球與環(huán)境科學(xué)探測領(lǐng)域的應(yīng)用提供了新的研究思路和技術(shù)支持。
 

　　圖1 數(shù)據(jù)方案。a. 三種振動信號的全球分布；b. 常規(guī)模型的接收信號要求；c. 常規(guī)邊緣計(jì)算模型的接收信號要求；c. 本創(chuàng)新研究的信號接收要求
 

圖2 基于進(jìn)化思想的微型智能模型群體優(yōu)化建模方案
 

　　該研究重點(diǎn)展示了名為MCU-Quake的超微型智能模型(僅包含2693個(gè)參數(shù))。模型利用美國猶他州的礦場爆炸與局部天然地震數(shù)據(jù)進(jìn)行訓(xùn)練，可將判別環(huán)境噪聲、人工爆炸和天然地震的知識分別編碼為一個(gè)浮點(diǎn)數(shù)： -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(xué)習(xí)到的關(guān)鍵數(shù)據(jù)特征(圖3a)，同樣適用于全球天然地震數(shù)據(jù)集(圖3b)，并在俄烏沖突期間對模糊的震源信號實(shí)現(xiàn)了典型推論(圖3c)。 需重點(diǎn)指出，當(dāng)使用極其有限的計(jì)算資源并將模型部署到微控制器時(shí)，只有經(jīng)典的STA/LTA方法和MCU-Quake能夠?qū)崿F(xiàn)地震信號實(shí)時(shí)判別(圖4)。盡管微控制器(Arduino Nano 33)的CPU時(shí)鐘頻率僅為64 MHz，MCU-Quake仍能在大約128毫秒內(nèi)完成每秒推理。
 

　　圖3 MCU-Quake對不同震源信號數(shù)據(jù)集的關(guān)鍵特征挖掘。a. 用于訓(xùn)練的北美礦場數(shù)據(jù)；b. 用于驗(yàn)證的全球天然地震數(shù)據(jù)；c. 用于推論的俄烏沖突數(shù)據(jù)
 

圖4 代表性模型在不同計(jì)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(jì)算技術(shù)具有更廣泛的應(yīng)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(jì)算設(shè)備上，從而擴(kuò)展其影響和實(shí)用性。這種擴(kuò)展兼容性對于那些無法支持資源密集型模型的現(xiàn)有計(jì)算平臺尤其重要。此外，將微型智能探測節(jié)點(diǎn)與GPS、多種環(huán)境傳感器等其他傳感技術(shù)集成時(shí)，可以提供更全面的信息融合、智能監(jiān)測與自主決策服務(wù)。微型深度學(xué)習(xí)技術(shù)憑借其高效性與多樣性，將為地球與環(huán)境科學(xué)相關(guān)領(lǐng)域研究人員和從業(yè)人員提供有吸引力的解決方案。
 

　　研究成果發(fā)表于國際學(xué)術(shù)期刊CEE(耿智*, 王彥飛*, 潘文勇，于彩霞，白治經(jīng)，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(xué)基金(42102351, 42004116, 12261131494, 12171455)資助，由中國科學(xué)院地質(zhì)與地球物理研究所地球科學(xué)大數(shù)據(jù)與人工智能中心提供計(jì)算支持。