論文の概要: WaveCastNet: Rapid Wavefield Forecasting for Earthquake Early Warning via Deep Sequence to Sequence Learning

• arxiv url: http://arxiv.org/abs/2405.20516v2
• Date: Sun, 26 Oct 2025 18:54:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.209527
• Title: WaveCastNet: Rapid Wavefield Forecasting for Earthquake Early Warning via Deep Sequence to Sequence Learning
• Title（参考訳）: WaveCastNet:シークエンス学習による地震早期警戒のための高速ウェーブフィールド予測
• Authors: Dongwei Lyu, Rie Nakata, Pu Ren, Michael W. Mahoney, Arben Pitarka, Nori Nakata, N. Benjamin Erichson,
• Abstract要約: WaveCastNetは、畳み込み長表現型メモリアーキテクチャをシーケンスからシーケンスへの予測フレームワークに統合する。 空間次元と時間次元の重みを共有することで、WaveCastNetはトランスフォーマーのようなリソース集約モデルよりもパラメータを著しく少なくする。 サンフランシスコ・ベイエリアのシミュレーションデータを用いて, 破壊的な地盤運動の強度とタイミングをリアルタイムで予測する能力を示す。
• 参考スコア（独自算出の注目度）: 39.90475403089907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new deep learning model, WaveCastNet, to forecast high-dimensional wavefields. WaveCastNet integrates a convolutional long expressive memory architecture into a sequence-to-sequence forecasting framework, enabling it to model long-term dependencies and multiscale patterns in both space and time. By sharing weights across spatial and temporal dimensions, WaveCastNet requires significantly fewer parameters than more resource-intensive models such as transformers, resulting in faster inference times. Crucially, WaveCastNet also generalizes better than transformers to rare and critical seismic scenarios, such as high-magnitude earthquakes. Here, we show the ability of the model to predict the intensity and timing of destructive ground motions in real time, using simulated data from the San Francisco Bay Area. Furthermore, we demonstrate its zero-shot capabilities by evaluating WaveCastNet on real earthquake data. Our approach does not require estimating earthquake magnitudes and epicenters, steps that are prone to error in conventional methods, nor does it rely on empirical ground-motion models, which often fail to capture strongly heterogeneous wave propagation effects.
• Abstract（参考訳）: 本研究では,高次元波動場予測のための新しいディープラーニングモデルWaveCastNetを提案する。 WaveCastNetは畳み込み型長期表現型メモリアーキテクチャをシーケンス・ツー・シーケンス予測フレームワークに統合し、空間と時間の両方で長期依存やマルチスケールパターンをモデル化する。 空間次元と時間次元の重みを共有することで、WaveCastNetはトランスフォーマーのようなリソース集約モデルよりもパラメータを著しく少なくし、推論時間が短縮される。 重要なこととして、WaveCastNetはトランスフォーマーよりも、高マグニチュード地震のような稀で重要な地震シナリオを一般化している。 本稿では,サンフランシスコ・ベイエリアのシミュレーションデータを用いて,破壊的な地盤運動の強度とタイミングをリアルタイムで予測する能力を示す。 さらに、実地震データに基づいてWaveCastNetを評価することで、そのゼロショット能力を実証する。 提案手法では, 地震の規模や震源を推定する必要がなく, 従来手法では誤差の少ないステップ, 経験的地動モデルにも依存せず, 強い不均一波動伝搬効果を捉えることができない場合が多い。

関連論文リスト

• Forecasting Seismic Waveforms: A Deep Learning Approach for Einstein Telescope [46.4942794596355]
  我々は、アインシュタイン望遠鏡のような将来の重力波検出器の文脈において、3成分地震波形を予測する変圧器に基づくモデルであるtextitSeismoGPTを紹介した。 波形データから直接時間的および空間的依存関係を学習することにより、SeesmoGPTは現実的な地動パターンを捉え、正確な短期予測を提供する。
  論文  参考訳（メタデータ） (2025-09-25T19:16:13Z)
• FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
  FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。 その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
  論文  参考訳（メタデータ） (2025-07-16T11:22:18Z)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• High Resolution Seismic Waveform Generation using Denoising Diffusion [3.5046784866523932]
  本研究では, 高周波波形生成のための新しい, 効率的, スケーラブルな生成モデルを提案する。 地震波形データのスペクトログラム表現を、オートエンコーダを介して低次元のサブ多様体に還元する。 最先端拡散モデルを用いて、キー入力パラメータを条件に、この潜伏表現を生成する。
  論文  参考訳（メタデータ） (2024-10-25T07:01:48Z)
• Time Series Foundation Models and Deep Learning Architectures for Earthquake Temporal and Spatial Nowcasting [1.4854797901022863]
  既成の基盤モデルの総合的な評価を欠いている。 我々はMultiFoundationQuakeとGNNCoderという2つのイノベーションアプローチを紹介した。 我々は,南カリフォルニアの0.1度空間ビン内における今後14日間の時系列予測問題として,地震予報を定式化した。
  論文  参考訳（メタデータ） (2024-08-21T20:57:03Z)
• Propagating the prior from shallow to deep with a pre-trained velocity-model Generative Transformer network [2.499907423888049]
  地中速度モデルの構築は,観測・モニタリングに地震データを活用する上で,我々の目標に不可欠である。 本研究では,トランスフォーマーデコーダを用いた新しい実装であるVelocityGPTを導入する。 本研究では, 地震波速度モデル構築のための生成モデル構築におけるVelocityGPTの有効性を示す。
  論文  参考訳（メタデータ） (2024-08-19T07:56:43Z)
• Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
  既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。 我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。 FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
  論文  参考訳（メタデータ） (2024-08-13T04:33:23Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Learning Physics for Unveiling Hidden Earthquake Ground Motions via Conditional Generative Modeling [43.056135090637646]
  地盤運動の条件生成モデル(CGM-GM) 本研究では, 高周波・空間連続地震動波形を合成する人工知能シミュレータを提案する。 CGM-GMは、最先端の非エルゴディックな地上運動モデルよりも優れた可能性を示す。
  論文  参考訳（メタデータ） (2024-07-21T08:23:37Z)
• Xi-Net: Transformer Based Seismic Waveform Reconstructor [44.99833362998488]
  地震波形のギャップは、さらなる信号処理を妨げ、貴重な情報を得る。 本稿では,複数面時間と周波数領域入力を用いた変換器を用いた深層学習モデルXi-Netを提案する。 我々の知る限りでは、これは地震波形再構成のためのトランスフォーマーに基づく最初のディープラーニングモデルである。
  論文  参考訳（メタデータ） (2024-06-14T22:34:13Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• High-Rate Phase Association with Travel Time Neural Fields [13.98860980081838]
  我々は、深層生成モデリングとニューラルフィールドに基づくハイレートアソシエーションフレームワークであるHarpaを紹介した。 Harpaは、到着シーケンスの比較に最適なトランスポートを使用することで、波動物理学を取り入れている。 したがって、未知の波動速度に対して頑健であり、波動速度モデルを相関の副産物として推定する。
  論文  参考訳（メタデータ） (2023-07-14T18:29:24Z)
• Spatial-Temporal Sequential Hypergraph Network for Crime Prediction [56.41899180029119]
  本稿では,複合犯罪の時空間パターンを包括的に符号化する時空間逐次ハイパーグラフネットワーク(ST-SHN)を提案する。 特に、長距離及びグローバルなコンテキスト下での時空間力学を扱うために、グラフ構造化されたメッセージパッシングアーキテクチャを設計する。 提案するST-SHNフレームワークは予測性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-01-07T12:46:50Z)
• A CNN-BiLSTM Model with Attention Mechanism for Earthquake Prediction [0.0]
  本稿では、注意機構(AM)、畳み込みニューラルネットワーク(CNN)、双方向長短期記憶(BiLSTM)モデルに基づく新しい予測手法を提案する。 中国本土の地震カタログに基づいて,各地域の地震の規模と規模を推定することができる。
  論文  参考訳（メタデータ） (2021-12-26T20:16:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。