Bei der Aufzeichnung seismischer Bodenbewegungen an mehreren Standorten mittels unabhängiger Aufzeichnungsstationen muss man die Ankunft derselben Teile seismischer Wellen an diesen Stationen erkennen können. Dieses Problem ist in der Seismologie als Seismische Phasenidentifikation („seismic phase picking“) bekannt. Es ist herausfordernd, die genaue automatische Identifikation seismischer Phasen auf dem Niveau menschlicher Fähigkeiten zu automatisieren. Durch die Lösung dieses Problems wäre eine vollständige Automatisierung routinemäßiger Verarbeitung in Echtzeit auf beliebigen lokalen Netzwerken möglich. Es wurde ein neuer maschineller Lernansatz entwickelt, um seismische Phasen aus lokalen Erdbeben zu klassifizieren. Das resultierende Modell basiert auf Spektrogrammen und nutzt die Transformer-Architektur mit einem Selbst-Attention-Mechanismus, ohne jegliche Konvolutionsschichten. Das Modell ist allgemein für verschiedene lokale Netzwerke geeignet und verfügt lediglich über 57.000 lernbare Parameter. Zur Bewertung der Generalisierungsfähigkeit wurden zwei neue Datensätze erstellt, die lokale Erdbeben-Daten aus zwei unterschiedlichen Regionen enthalten und mit einer Vielzahl verschiedener seismischer Instrumente erfasst wurden. Die Daten wurden für kein Modell während des Trainingsprozesses verwendet, um die Generalisierungseigenschaften zu schätzen. Das neue Modell zeigt gegenüber den Baseline-Modellen aus vorangegangenen Arbeiten die besten Ergebnisse hinsichtlich Klassifizierungs- und Rechenleistung bei Verwendung der vortrainierten Gewichte. Der Modellcode ist online verfügbar und kann direkt für den täglichen Einsatz in der Echtzeitverarbeitung auf herkömmlicher seismischer Ausstattung ohne Grafikprozessoren (GPU) genutzt werden.