論文の概要: POSEIDON: Physics-Optimized Seismic Energy Inference and Detection Operating Network

• arxiv url: http://arxiv.org/abs/2601.02264v1
• Date: Mon, 05 Jan 2026 16:46:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.285049
• Title: POSEIDON: Physics-Optimized Seismic Energy Inference and Detection Operating Network
• Title（参考訳）: POSEIDON:物理最適化地震エネルギー推定・検出オペレーティングネットワーク
• Authors: Boris Kriuk, Fedor Kriuk,
• Abstract要約: POSEIDONは物理インフォームドエネルギーベースモデルであり、マルチタスク地震事象の予測を統一する。 グテンベルク・リヒター等級数周波数関係や、大森・宇都の余震崩壊法など、基本的な地震学原理を組み込んでいる。 全てのタスクで最先端のパフォーマンスを実現し、グラデーションアップ、ランダムフォレスト、CNNベースラインを上回り、比較したすべてのメソッドの中で平均F1スコアが最も高い。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Earthquake prediction and seismic hazard assessment remain fundamental challenges in geophysics, with existing machine learning approaches often operating as black boxes that ignore established physical laws. We introduce POSEIDON (Physics-Optimized Seismic Energy Inference and Detection Operating Network), a physics-informed energy-based model for unified multi-task seismic event prediction, alongside the Poseidon dataset -- the largest open-source global earthquake catalog comprising 2.8 million events spanning 30 years. POSEIDON embeds fundamental seismological principles, including the Gutenberg-Richter magnitude-frequency relationship and Omori-Utsu aftershock decay law, as learnable constraints within an energy-based modeling framework. The architecture simultaneously addresses three interconnected prediction tasks: aftershock sequence identification, tsunami generation potential, and foreshock detection. Extensive experiments demonstrate that POSEIDON achieves state-of-the-art performance across all tasks, outperforming gradient boosting, random forest, and CNN baselines with the highest average F1 score among all compared methods. Crucially, the learned physics parameters converge to scientifically interpretable values -- Gutenberg-Richter b-value of 0.752 and Omori-Utsu parameters p=0.835, c=0.1948 days -- falling within established seismological ranges while enhancing rather than compromising predictive accuracy. The Poseidon dataset is publicly available at https://huggingface.co/datasets/BorisKriuk/Poseidon, providing pre-computed energy features, spatial grid indices, and standardized quality metrics to advance physics-informed seismic research.
• Abstract（参考訳）: 地震予知と地震危険度評価は地球物理学の基本的な課題であり、既存の機械学習アプローチは確立された物理法則を無視したブラックボックスとして運用されることが多い。 PSEIDON(Physics-Optimized Earthquake Energy Inference and Detection Operating Network)は、物理インフォームドエネルギーをベースとした、多タスク地震事象予測モデルである。 POSEIDONは、グテンベルク・リヒター等級数周波数関係や大森・宇都余震崩壊法といった基本的な地震学の原理をエネルギーベースモデリングの枠組みの中で学習可能な制約として組み込んでいる。 このアーキテクチャは、余震シーケンス識別、津波発生電位、および前震検出の3つの相互接続予測タスクに同時に対処する。 総合的な実験により、POSEIDONは全てのタスクで最先端のパフォーマンスを達成し、グラデーションアップ、ランダムフォレスト、CNNベースラインを上回り、比較した手法の中でF1スコアが最も高い結果を得た。 重要なことに、学習された物理パラメータは科学的に解釈可能な値 – グテンベルク・リヒターの0.752と大森宇都のパラメータp=0.835, c=0.1948日 – に収束する。 Poseidonデータセットはhttps://huggingface.co/datasets/BorisKriuk/Poseidonで公開されている。

関連論文リスト

• Broadband Ground Motion Synthesis by Diffusion Model with Minimal Condition [3.1285630695933686]
  我々は,高忠実度地震動生成システム(HEGGS)について紹介する。 HEGGSは地震データセットの固有特性を利用して、終端から終端までの微分可能発電機を用いて波形を学習する。 正確なP/S位相到着、包絡相関、信号対雑音比、GMPE分析、周波数内容分析、断面プロット解析の3次元E-N-Z地震波形を生成することができる。
  論文  参考訳（メタデータ） (2024-12-23T06:56:28Z)
• EarthquakeNPP: A Benchmark for Earthquake Forecasting with Neural Point Processes [2.4087148947930634]
  我々は,NPPの地震データに対するテストを容易にするベンチマークデータセットの集合であるSmassNPPを紹介する。 データセットは1971年から2021年までのカリフォルニアの小さな、あるいは大きなターゲット領域をカバーする。 地震学において広く認識されているログ類似度と生成評価値の両方を用いてベンチマーク実験を行った結果,5つのNPPのいずれもETASよりも優れていたことが判明した。
  論文  参考訳（メタデータ） (2024-09-27T16:06:17Z)
• 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)
• Data-Driven Prediction of Seismic Intensity Distributions Featuring Hybrid Classification-Regression Models [21.327960186900885]
  本研究では, 地震パラメータに基づいて地震強度分布を予測できる線形回帰モデルを開発した。 このデータセットは、1997年から2020年にかけて日本近海で発生した地震の震度データからなる。 提案モデルでは, 従来のGMPEにおける課題として, 異常な震度分布を予測できる。
  論文  参考訳（メタデータ） (2024-02-03T13:39:22Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Physically Explainable CNN for SAR Image Classification [59.63879146724284]
  本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。 提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。 実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-10-27T03:30:18Z)
• Towards advancing the earthquake forecasting by machine learning of satellite data [22.87513332935679]
  本研究では,6マグニチュード以上の1,371地震の衛星データに基づく短期予測を行うための新しい機械学習手法であるInverse Boosting Pruning Trees(IBPT)を開発した。 提案手法は,選択された6つのベースラインを上回り,異なる地震データベースの地震予測の可能性を向上する強力な能力を示す。
  論文  参考訳（メタデータ） (2021-01-31T02:29:48Z)
• Bayesian Neural Networks for Fast SUSY Predictions [58.720142291102135]
  本稿では,機械学習を用いて,BSM理論のパラメータ空間から予測へのマッピングをモデル化する。 3つの量はすべて平均パーセントの誤差3.34%以下でモデル化され、結果が導出される超対称性符号よりもはるかに短い時間でモデル化される。 結果は、機械学習がBSM理論の高次元空間から予測へのマッピングを正確にモデル化する可能性のさらなる実証である。
  論文  参考訳（メタデータ） (2020-07-09T01:45:06Z)

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。