随着人工智能技术的飞速发展，大型深度学习模型逐渐成为各行业的热点。然而，在地球与环境科学探测领域，这些大模型对算力和数据量的要求过高，限制了其在极端应用场景中的可行性。例如，在深部高温高压环境、野外供能受限环境，乃至深空星际任务中，常规高性能计算装置难以部署，通常采用边缘计算方案开展智能自主研究。近日，一项创新研究展示了超微型智能模型在震源信号实时判别方面的卓越性能，为边缘智能计算情景提供了新的研究思路。

中国科学院地质与地球物理研究所耿智副研究员与王彦飞研究员等人，以实时判别震动信号初至波类型为切入点，研究提出了一种可直接部署于微控制器的超微型智能模型。与传统的大型深度学习模型相比，这种超微型模型不仅计算资源需求极低（~10 KB内存），而且能够在算力（~200 MHz）与成本（~20元人民币）极低的通用微控制器上高效运行。针对实时判别环境噪声、人工爆破和天然地震事件的任务，研究团队基于美国犹他州矿场爆破数据集UUSS、全球天然地震数据集STEAD，以及俄乌冲突监测数据开展了实例分析（图1a）。

与常规大模型需要基于工作站处理长时间窗口范围内的三通道信号不同（图1b），该研究挑战了仅利用若干秒原始波形的单通道震动信号，在单片机上实现实时推理（图1d）。为此，研究团队建立了基于进化思想的微型智能模型架构优化设计算法，通过群优化方式实现多重互斥目标（小参数、高性能、低延迟）的约束（图2）。该算法充分结合云平台分布式计算，进行智能模型的群体演化与按需迭代，使帕累托最优模型个体能够最大化表征不同类型震源信号的隐特征分布距离。

该模型在初至信号判别任务中，不仅能以主流经典大模型千分之一的体量与能耗实现更高的判别性能，还能在全球范围内提供一致的、可解释的推理依据。这一成果为边缘智能计算在地球与环境科学探测领域的应用提供了新的研究思路和技术支持。

图1 数据方案。a. 三种振动信号的全球分布；b. 常规模型的接收信号要求；c. 常规边缘计算模型的接收信号要求；c. 本创新研究的信号接收要求

图2 基于进化思想的微型智能模型群体优化建模方案

该研究重点展示了名为MCU-Quake的超微型智能模型（仅包含2693个参数）。模型利用美国犹他州的矿场爆炸与局部天然地震数据进行训练，可将判别环境噪声、人工爆炸和天然地震的知识分别编码为一个浮点数： -5.01（std:1.14）、1.96（std:0.36）和1.01（std:0.49）（图3a）。有趣的是，模型在北美洲矿场学习到的关键数据特征（图3a），同样适用于全球天然地震数据集（图3b），并在俄乌冲突期间对模糊的震源信号实现了典型推论（图3c）。 需重点指出，当使用极其有限的计算资源并将模型部署到微控制器时，只有经典的STA/LTA方法和MCU-Quake能够实现地震信号实时判别（图4）。尽管微控制器（Arduino Nano 33）的CPU时钟频率仅为64 MHz，MCU-Quake仍能在大约128毫秒内完成每秒推理。

图3 MCU-Quake对不同震源信号数据集的关键特征挖掘。a. 用于训练的北美矿场数据；b. 用于验证的全球天然地震数据；c. 用于推论的俄乌冲突数据

图4 代表性模型在不同计算平台中的能耗效率测试

该研究表明，人工智能赋能的边缘计算技术具有更广泛的应用前景。特别是，微型智能模型可以有效部署在大量仍在使用的老旧计算设备上，从而扩展其影响和实用性。这种扩展兼容性对于那些无法支持资源密集型模型的现有计算平台尤其重要。此外，将微型智能探测节点与GPS、多种环境传感器等其他传感技术集成时，可以提供更全面的信息融合、智能监测与自主决策服务。微型深度学习技术凭借其高效性与多样性，将为地球与环境科学相关领域研究人员和从业人员提供有吸引力的解决方案。

研究成果发表于国际学术期刊CEE（耿智^*, 王彦飞^*, 潘文勇，于彩霞，白治经，张洪宙. 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.）。研究受国家自然科学基金（42102351, 42004116, 12261131494, 12171455）资助，由中国科学院地质与地球物理研究所地球科学大数据与人工智能中心提供计算支持。