人工智能与大数据已经深入了我们的生活。但当我们把目光转向脚下的地球时，却会惊讶地发现，关于它地下最深处的秘密，从AI与科研相结合的视角来看，仍然一片模糊。地球内部，究竟是一幅怎样的图景？又该如何利用AI观测？

北京大学地球与空间科学学院讲席教授宋晓东和心理与认知科学学院/人工智能研究院助理教授朱毅鑫领衔的跨学科团队，在计算机里模拟了5万次的“地震”（包含不同样式的“虚拟地震波”），训练出了一个掌握了物理规律和大规模地震波传播模拟数据的AI，并用其精准观测到了地球内部的深层结构。这项研究像是为传统地球科学配备了一台高精度CT扫描仪，结合算法与科研，有望揭开地壳之下的神秘面纱。

北京大学宋晓东教授与朱毅鑫助理教授领衔的跨学科团队

一直以来，地球深部结构探测研究，都是地球科学的核心。地球内部的结构仿佛一个谜团，人类无法用肉眼直接观察。而地震波，则成为了可以“利用”的中介。当地震发生时，产生的振动会穿过地球内部。振动抵达不同岩层之时，又会产生不同的变化。通过分析全球各地记录到的地震波及其波动变化，科学家可以反推地球内部结构，这个过程也就是“反演地震层析成像”。

传统成像技术，存在着速度慢、不精确等问题。模拟一次全球地震波传播，需要花费大量时间；想要获得清晰的地球内部图像，则需要进行数以万计的重复模拟。北京大学宋晓东教授与朱毅鑫助理教授领衔的跨学科团队，将人工智能技术引入这一领域，带来了革命性突破，以前所未有的速度和精度看清了地球内部结构。

北大研究团队提出了创新性解决方案。团队使用了一种特殊的模拟方法（AxiSEM3D：轴向谱元法），在计算机里模拟了无数次、不同样式的“虚拟地震波”，训练了一个掌握了物理规律，又掌握大规模地震波传播模拟数据的AI。并利用“物理感知深度学习神经算子”技术，把地震波传播过程中必须遵守的物理定律（如弹性波动方程）直接编入了AI的学习程序。这就使得AI直接学会了从地震源头（震源）、到地震波传播场域（波场）、再到地球内部结构（速度结构）间那种复杂的、符合物理规律的对应关系。在此前提之下，即便给AI一个全新的地震数据，它也有能力在顷刻之间，根据此前学到的物理规律，推算出地震波的传播方式，观测到地球内部的深层结构。这种方法可以代替传统方法预测地震波场，用更少量的参数表示地球内部结构，系统实现了对全球地震波传播过程的快速预测和结构反演。

北京大学宋晓东教授与朱毅鑫助理教授领衔的跨学科团队研讨留影

北大团队为了确保人工智能的可靠性，采用了一套完全独立的“未见数据”对AI模型进行测试。这套数据在投入模型训练之前从未被使用，相当于一份崭新的未知考卷。通过这个动作，可以检验模型是否真正掌握了地震波传播与地球结构之间的对应关系。测试结果表明，模型在面对新数据时，依然能给出精确的推断。进而，他们又通过地球物理学中一项经典的“棋盘格测试”对该模型进行了严格评估。评估结果已然乐观：成像算法能够清晰、准确地还原出成像中尖锐的界面和规则形态。该模型在此测试中表现出色，成功重建了清晰的棋盘格结构，为自己的高精度的分辨能力与坚实的物理可靠性进行了充分证明。

该项研究的数据组成了首个全球成像基础数据集GlobalTomo，达1.6亿张全波形地震图和2.6TB大小。这些数据和开发的算法能够帮助更精确地绘制地球内部的三维成像，揭示地幔对流、地核动力学等奥秘，回答关于地球形成与演化的重大科学问题。也能让我们更清晰地“看到”地下数公里深处的地质结构，为定位石油、天然气、地热能等战略资源提供关键信息，降低勘探风险与成本。与此同时，还能检测地下结构潜在危险性，为地震风险评估和防灾减灾提供更可靠的科学依据。

北大研究团队在攻克了技术难题之后，做了一件对整个科学界至关重要的事情：他们没有关起门来独自享用成果，而是将这项研究的基础数据集GlobalTomo，向全球人工智能和地球科学研究界公开发布。该数据集模拟的是整个地球维度层面上的地震波传播，而非某个局部区域，因而具有全局意义。它综合涵盖了声波（可在液体中传播，用于研究地核）、弹性波（在固体中传播，用于研究地幔和地壳）以及固液耦合（模拟地震波从地幔固体进入地核液体的复杂相互作用）等场景。这个数据集就像在计算机里重建了一个包含全球大尺度上的所有复杂情况的“地球地震波波场传播样本实验室”，让AI能够学习到真实地球环境下的全部物理现象。此外，还附上了多个机器学习基线模型（基础、流行的机器学习算法），搭建了一条重要的研究“起跑线”，即基础的、可靠的、可复制，且可超越的算法，使得后续研究者在此项研究上“有法可依”，不必耗时耗力地“从零开始”。

宋晓东与朱毅鑫团队在国际上率先将“物理感知深度学习技术”应用于“全球尺度地震层析成像”，实现了科学研究范式的升级。与此同时，近年来在地球物理与人工智能交叉领域取得了系列成果。譬如，本项研究成功地将人工智能技术从“加速计算”工具转变为科学研究模式革新的驱动力——由“海量数据驱动”转变为了“物理模型驱动”；由“偏微分方程求解”到“智能学习”；也使AI从“算得快的工具”，变成了能够理解地震波传播物理本质的科研助手。

该文章获得了评委们的高度评价：

该研究成果以“GlobalTomo: A global dataset for physics-ML seismic wavefield modeling and FWI”为题，最近被人工智能领域顶级会议Neural Information Processing Systems (NeurIPS 2025) Dataset and Benchmark Track接收发表。论文第一作者为北京大学人工智能研究院博士生李世乾、地球与空间科学学院博士后李智，通讯作者为地球与空间科学学院深地与矿产全国重点实验室宋晓东教授和心理与认知科学学院/人工智能研究院朱毅鑫助理教授。主要合作者还包括英国卢瑟福阿普顿实验室和NVIDIA公司的相关研究人员。该研究受到国家自然科学基金重大项目“地核的精细结构及时变机制”(42394111)以及北京大学新工科交叉专项的支持。

地球结构全波形反演层析成像框架示意图

基于对大数据地球波场模拟的学习和物理感知深度学习神经算子网络，新框架有望全面提高全球尺度下地震波传播和全波形反演层析成像的效率和精度。

合成测试结果：在地球内部结构球谐表征下，利用新的人工智能全波形反演层析成像框架可以很好地恢复三维模型输入，较传统基于数值模拟的算法加速数万倍