論文の概要: Data-Driven Forecasting of three-Component Seismograms Using Transformer Architectures

• arxiv url: http://arxiv.org/abs/2606.02912v1
• Date: Mon, 01 Jun 2026 21:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.618352
• Title: Data-Driven Forecasting of three-Component Seismograms Using Transformer Architectures
• Title（参考訳）: 変圧器構造を用いた3成分地震計のデータ駆動予測
• Authors: Waleed Esmail, Stuart Russell, Jana Klinge, Alexander Kappes, Christine Thomas,
• Abstract要約: 我々は,3成分地震波形を時間領域内で直接予測するために,変圧器を用いた自己回帰モデルであるtextscSeismoGPTを紹介した。 震源深5-100,km,震源中央距離10-90$$$,震源深3leqM_w leq7$の合成地震計を用いて評価を行った。
• 参考スコア（独自算出の注目度）: 43.8784307709823
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting seismic waveforms beyond observed data remains challenging due to the nonlinear, dispersive, and multi-scale nature of seismic wave propagation. In this work, we introduce \textsc{SeismoGPT}, a transformer-based autoregressive model designed to forecast three-component seismic waveforms directly in the time domain. Forecasting is formulated as a physically constrained continuation problem in which the model receives waveform context beginning at the P-wave arrival and extending a defined time beyond the S-wave arrival, after which future motion is generated recursively without access to ground-truth samples. Evaluation is performed on synthetic seismograms spanning source depths of 5--100\,km, epicentral distances of 10--90$^\circ$, and magnitudes $3 \leq M_w \leq 7$. To disentangle the effects of context length and prediction horizon, we define three evaluation configurations using a distance-normalized context ratio and fixed prediction horizons of 120 and 240\,s. Across all configurations, the model achieves median normalized cross correlation above 0.93. Analysis of representative forecasts shows that successful predictions preserve both phase coherence and spectral energy distribution. Where failure cases arise, this is primarily due to gradual phase drift during autoregressive rollout rather than unphysical signal generation. These results demonstrate that transformer-based sequence models can learn stable dynamical continuation of seismic wavefields, highlighting the potential of foundation-model approaches for physics-driven time-series forecasting. There are potential applications of this methodology in seismic warning and hazard mitigation, particularly for next-generation gravitational-wave observatories, such as the Einstein Telescope.
• Abstract（参考訳）: 観測データを超える地震波形の予測は, 非線形, 分散, マルチスケールの地震波伝播の性質のため, 依然として困難である。 本研究では,3成分地震波形を時間領域内で直接予測するトランスフォーマーを用いた自己回帰モデルである「textsc{SeismoGPT}」を紹介する。 予測は、P波到着から始まる波形コンテキストを受信し、S波到着を超えて所定時間を延長する物理制約付き継続問題として定式化され、その後、地絡サンプルへのアクセスなしに将来の動きが再帰的に生成される。 震源深5-100\,km,震源深10-90$^\circ$,震源深3ドルM_w \leq7$の合成地震計を用いて評価を行った。 文脈長と予測地平線の影響を解消するために,距離正規化コンテキスト比と120と240の固定予測地平線を用いた3つの評価構成を定義した。 すべての構成において、モデルは0.93以上の正則化された相互相関を達成する。 代表予測の解析は、成功予測が位相コヒーレンスとスペクトルエネルギー分布の両方を保存することを示している。 障害が発生した場合、これは主に非物理的信号生成ではなく、自己回帰ロールアウト中の段階的な位相ドリフトに起因する。 これらの結果から, 変圧器をベースとしたシークエンスモデルは, 地震波動場の安定な動的継続を学習し, 物理駆動型時系列予測のための基礎モデルアプローチの可能性を強調した。 この手法は、特にアインシュタイン望遠鏡のような次世代重力波観測所において、地震警報やハザード緩和に応用される可能性がある。

関連論文リスト

• VGGT-World: Transforming VGGT into an Autoregressive Geometry World Model [59.789011777899965]
  VGGT-World(VGGT-World)は、ビデオ生成を完全にサイドステップで行い、凍った幾何学的境界モデルの特徴の時間的進化を予測する幾何学世界モデルである。 VGGT-Worldは3.6～5倍高速で、トレーニング可能なパラメータはわずか0.43Bである。
  論文  参考訳（メタデータ） (2026-03-13T04:56:43Z)
• A Physics Prior-Guided Dual-Stream Attention Network for Motion Prediction of Elastic Bragg Breakwaters [7.146484689550911]
  従来のディープラーニングモデルは、目に見えない海の状態を示すとき、限定的な一般化能力を示すことが多い。 本研究は,PhysAttnNet(PhysAttnNet)を用いた物理優先型デュアルストリームアテンションネットワークを提案する。 ウェーブ・フラム・データセットの実験では、PhysAttnNetが主流モデルを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-10-16T03:06:44Z)
• 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)
• High Resolution Seismic Waveform Generation using Denoising Diffusion [3.633418605694802]
  HighFEMは高周波地震波形生成のための生成モデルである。 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多様体に還元する。 キー入力パラメータに条件付き潜在表現を生成するために、最先端拡散モデルが訓練される。
  論文  参考訳（メタデータ） (2024-10-25T07:01:48Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)

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。