عند تسجيل حركة الأرض الزلزالية في مواقع متعددة باستخدام محطات تسجيل مستقلة، يتطلب الأمر التعرف على وجود الأجزاء نفسها من الموجات الزلزالية التي تصل إلى هذه المحطات. يُعرف هذا التحدي في علم الزلزال باسم "تحديد الطور الزلزالي" (seismic phase picking). من الصعب تأدية آلية دقيقة لتحديد الأطوار الزلزالية على المستوى الذي تتمتع به البشر. ومع ذلك، فإن حل هذه المشكلة سيتيح إمكانية أتمتة العمليات الروتينية في الوقت الفعلي على أي شبكة محلية. تم تطوير نهج جديد يعتمد على التعلم الآلي لتصنيف الأطوار الزلزالية الناتجة عن الزلازل المحلية. يعتمد النموذج الناتج على التمثيل الطيفي (spectrograms) ويستخدم معمارية الترانسفورمر (transformer) مع آلية الانتباه الذاتي (self-attention)، دون استخدام أي كتل تصفية تلافيفية (convolution blocks). يتميز هذا النموذج بقدرته على التعميم على شبكات محلية مختلفة، ويتضمن فقط 57 ألف معلمة قابلة للتعلم. ولتقييم خاصية التعميم، تم إعداد مجلدين جديدين من البيانات، يحتويان على بيانات زلازل محلية تم جمعها من منطقتين مختلفتين باستخدام طيف واسع من الأجهزة الزلزالية. لم تُستخدم هذه البيانات أبدًا في عملية التدريب لأي نموذج، بهدف تقييم قدرة النموذج على التعميم. وقد أظهر النموذج الجديد أفضل نتائج في التصنيف والأداء الحسابي عند استخدام أوزانه المُدرَّبة مسبقًا، مقارنةً بالنماذج الأساسية من الدراسات السابقة. ويجدر بالذكر أن كود النموذج متاح عبر الإنترنت، ويمكن استخدامه فورًا في العمليات الزمنية الحقيقية اليومية على المعدات الزلزالية التقليدية دون الحاجة إلى وحدات معالجة رسومية (GPUs).