[논문 리뷰] GreenPhase: A Green Learning Approach for Earthquake Phase Picking

Yixing Wu, Shiou-Ya Wang외 6명|arXiv (Cornell University)|2026. 02. 23.

Seismology and Earthquake Studies인용 수 0

한 줄 요약

GreenPhase는 지진 탐지 및 P-/S파 위상 선택을 위한 Green Learning 기반의 다해상도, 피드포워드 모델로, 계산 및 에너지 사용을 대폭 줄이면서 최첨단에 근접한 성능을 달성합니다.

ABSTRACT

Earthquake detection and seismic phase picking are fundamental yet challenging tasks in seismology due to low signal-to-noise ratios, waveform variability, and overlapping events. Recent deep-learning models achieve strong results but rely on large datasets and heavy backpropagation training, raising concerns over efficiency, interpretability, and sustainability. We propose GreenPhase, a multi-resolution, feed-forward, and mathematically interpretable model based on the Green Learning framework. GreenPhase comprises three resolution levels, each integrating unsupervised representation learning, supervised feature learning, and decision learning. Its feed-forward design eliminates backpropagation, enabling independent module optimization with stable training and clear interpretability. Predictions are refined from coarse to fine resolutions while computation is restricted to candidate regions. On the Stanford Earthquake Dataset (STEAD), GreenPhase achieves excellent performance with F1 scores of 1.0 for detection, 0.98 for P-wave picking, and 0.96 for S-wave picking. This is accomplished while reducing the computational cost (FLOPs) for inference by approximately 83% compared to state-of-the-art models. These results demonstrate that the proposed model provides an efficient, interpretable, and sustainable alternative for large-scale seismic monitoring.

연구 동기 및 목표

• 지속 가능하고 해석 가능한 모델로 지진 탐지 및 지진학적 위상 선택을 향상시킨다.
• 모듈식의 피드포워드 Green Learning 프레임워크를 사용하여 역전파를 제거한다.
• 계산 비용과 데이터 요구량을 줄이면서 STEAD에서 높은 정확도를 달성한다.
• 대규모 지진 모니터링에 대한 확장성과 실시간 적용 가능성을 시연한다.

제안 방법

• 세 단계의 다해상도 Green Learning 파이프라인: 비지도 표현 학습(Saab 변환), 지도 특성 학습(RFT 및 SFG), 지도 의사 결정 학습(XGBoost).
• 레벨 3-1에서 거칠게 세밀하게 처리하여 후보 영역으로 추론을 제한한다.
• P-파 및 S-파 위상 선택 모듈은 동일한 아키텍처를 공유하고 도착 시간 예측을 확률 점수와 함께 출력한다.
• 경량화된 XGBoost 분류기가 레벨 전반의 P-/S파 예측을 결합하여 지진 이벤트와 소음 여부를 결정한다.
• 의사 라벨은 연속적이고 윈도우 기반으로, 엔드투엔드 역전파 없이도 지도 학습을 가능하게 한다.
• 특징 선택과 생성(RFT 및 SFG)은 의사 결정 단계 이전에 판별 가능한 표현을 최적화한다.

실험 결과

연구 질문

• RQ1 Green Learning이 현저히 더 낮은 계산 비용으로도 지진 탐지 및 위상 선택 성능에서 경쟁력을 제공할 수 있는가?
• RQ2 최신 딥러닝 모델과 비교했을 때, 거칠-정밀한 비역전파 프레임워크가 STEAD에서 어떤 성능을 보이는가?
• RQ3 GreenPhase에서 제한된 학습 데이터가 P-/S파 선택 성능에 미치는 영향은 무엇인가?
• RQ4 이 방법이 대규모 지진 모니터링에 확장 가능하고 실시간 응용에 에너지 효율적인가?

주요 결과

• GreenPhase는 STEAD에서 탐지 F1이 1.0, P-파 F1이 0.98, S-파 F1이 0.96을 달성한다.
• P-파: Pr=0.96, Re=0.99, F1=0.98로 1.2M 학습 샘플에서(또한 240K 및 60K에서도 견고하다).
• S-파: Pr=0.93, Re=0.99, F1=0.96로 1.2M 학습 샘플에서(더 작은 크기에서도 경쟁력 있다).
• 추론 FLOPs는 1.2M 학습 데이터에 대해 22M으로 EQTransformer의 129M(약 6배 더 많음)과 대조된다.
• 비교 가능한 하드웨어에서 GreenPhase 훈련은 EQTransformer보다 약 40배 더 지속 가능하다.
• GreenPhase는 거칠-세밀한 ROI(최상위 레벨에서 약 80개의 시간 위치)를 사용하여 효율성 향상을 달성한다.