地震瞬间，高楼能否安然无恙？传统方法依赖耗时数日的有限元计算，难以实现实时预警。近期，同济大学团队在《Engineering》发表论文，提出一种融合物理信息的深度学习模型Phy-Seisformer，可在毫秒级预测建筑结构的地震响应，速度较传统方法快5000倍以上，为灾害防控按下“加速键”。

从“人工算”到“AI学”：物理规律嵌入神经网络
传统地震响应预测依赖复杂数值模拟，需专业软件和超算资源，难以满足实时需求。研究团队另辟蹊径，将建筑质量、刚度等物理参数与地震波数据共同输入模型，通过“物理估算器”模块模拟结构动力学方程。这相当于为AI配备“建筑力学知识库”，大幅降低数据拟合难度。论文比喻：“就像给自动驾驶汽车加载交规，AI既懂数据规律，又守物理法则。”

实验显示，Phy-Seisformer对四层砌体、21层混凝土框架等三类建筑的加速度、位移预测误差不足1%，速度预测误差约2%。面对上海地区特征周期1.1秒的强震波，模型在0.02秒时间步长下，仍保持97%以上的Pearson相关系数（如图3实验结果所示）。团队负责人周颖教授解释：“模型通过自注意力机制——类似人脑筛选关键信息的能力，同步处理建筑数百节点数据。”

速度与精度的双重革命
在十一层不规则混凝土结构的弹塑性实验中，Phy-Seisformer耗时仅传统有限元分析的1/24629。这种效率源于独特的“分段自回归”策略：将地震波切割为150步历史数据+20步预测数据的片段，通过重叠采样技术将200条地震波扩展为数十万训练样本。研究对比发现，当输入地震波振幅超过2200mm/s²时，模型精度下降约8%，揭示其在极端灾害场景的改进空间。

AI防灾的“双刃剑”效应
尽管技术突破显著，团队强调应用边界：模型暂无法预测建筑倒塌等极限状态，且依赖高质量有限元训练数据。论文警示，若输入地震波频谱与训练集差异过大（如罕见长周期地震），可能引发预测偏差。这种局限恰似“自动驾驶遇暴雪天气”，凸显多学科协同攻关的必要性。

目前，该技术已应用于我国某超高层建筑健康监测系统。研究团队透露，下一步将探索“分散式数据治理”模式，联合多机构建筑振动数据提升模型泛化能力。正如论文结语所言：“当AI既能听懂地震的‘心跳’，又深谙建筑的‘语言’，人类距离地震智慧防控就更近一步。”