AI Navigate

物理に着想を得た潜在オペレータ・フロー・マッチングによる大規模3D地震動合成

arXiv cs.LG / 2026/3/19

📰 ニュースDeveloper Stack & InfrastructureIdeas & Deep AnalysisModels & Research

要点

  • GMFlowは、物理に着想を得た潜在オペレータ・フロー・マッチングフレームワークで、物理パラメータに条件づけられた大規模な地域地震動の時間履歴を生成します。
  • 従来の物理ベースのシミュレーションに比べて約1万倍の高速化を実現し、分散したインフラの不確実性を考慮した迅速なハザード評価を可能にします。
  • この手法は、サンフランシスコ湾エリアの地震シナリオを用いたシミュレーションで検証され、900万を超える格子点にわたって空間的一貫性のある地震動を生成します。
  • GMFlowはメッシュ非依存であり、地震学を超える大規模時空間物理場の生成モデルの分野における幅広い進歩を示し、潜在的な応用は地震学を超えます。

要旨: 地震動リスク分析と、電力網やエネルギー配管ネットワークのような空間的に分布したインフラの設計には、現実的な周波数成分と時空間的一貫性を持つシナリオ特異的な地震動時間歴が必要である。しかし、物理ベースのシミュレーションを用いて不確実性定量化のために必要な大規模なアンサンブルを生成するには計算量が大きく、工学的ワークフローには現実的ではない。この課題に対処するため、Ground-Motion Flow (GMFlow) を導入する。これは物理学に着想を得た潜在オペレータ・フローマッチングフレームワークで、物理パラメータに条件付けられた現実的で大規模な地域地震動時間歴を生成する。サンフランシスコ・ベイエリアのシミュレートされた地震シナリオで検証され、GMFlowは900万を超えるグリッドポイントにわたる空間的に一貫した地震動を数秒で生成し、シミュレーションワークフローに対して1万倍のスピードアップを達成する。これにより、分散インフラの迅速かつ不確実性を考慮したハザード評価への道が開かれる。より広く見ると、GMFlow はメッシュに依存しない機能的生成モデリングを推進し、多様な科学分野での大規模な時空間物理場の合成へ拡張できる可能性がある。

返却形式: {"translated": "翻訳済みHTML"}