条件付き生成モデリングによる地震地盤運動の学習

将来の地震による揺れが重要な理由

地震はサンフランシスコ湾岸地域から日本に至る多くの地域で避けられない現象です。人や建物に実際に危険をもたらすのは地震そのものではなく、地表で生じる揺れです。エンジニアや計画担当者は、既存の観測点だけでなく多くの地点で地盤がどれほど強く動く可能性があるかについて、現実的なシナリオを必要とします。しかし現在の手法は、局所的な詳細を見落とす単純化された統計に頼るか、スーパーコンピュータと地球内部の詳細な知識を必要とする高負荷な物理シミュレーションに依存するかのいずれかです。本研究は、過去の揺れから学んで地域全体が将来どのように揺れるかを素早く想像する新しい人工知能（AI）アプローチを紹介します。

揺れを想像する新しい方法

研究者らはこれを条件付き地盤運動生成（Conditional Generative Modeling for Ground Motion、CGM-GM）と名付けたモデルとして提示します。波動物理の方程式を直接解く代わりに、CGM-GMはサンフランシスコ湾岸地域のヘイワード断層やサンアンドレアス断層周辺で記録された何千もの小地震からパターンを学習します。重要な考え方は「条件付き」生成です：AIに事象の規模（マグニチュード）、深さ、地図上での震源と観測点の位置といった基本情報を与え、それらの条件に整合する可能性のある地盤運動の時系列を生成させます。実質的に、このモデルはまだ記録されていない地点や地震での揺れの様子を補完できる、賢いシミュレータのように振る舞います。

時間と色で地震を聞く

AIを学習させるために、チームはまず各記録された揺れ信号をスペクトログラムと呼ばれる一種の色情報を持つ画像に変換します。これにより異なる周波数成分の強さが時間とともにどう変化するかが示されます。短時間フーリエ変換（Short-Time Fourier Transform）という手法を用いて、各波形を振幅（どれほど強いか）と位相（特徴がいつ現れるか）に分解します。ダイナミック変分オートエンコーダという特殊なニューラルネットワークが、これら振幅スペクトログラムを隠れ変数の系列に圧縮し、再構成することを学びます。地理座標や地震の特性を用いる補助モジュールがこの隠れ系列に影響を与えるため、モデルは自然に波の伝わり方や地震の規模と揺れのパターンを結びつけます。生成時には、モデルが新しい隠れ系列を描き出し、振幅スペクトログラムを再構成し、位相を推定して、すべてを合成波形に戻します。

まばらな観測点の間を埋める

一度学習すると、CGM-GMは「ある規模と位置の地震が起きた場合、密な格子点上でどのような揺れが観測されるか？」といった問いに応答できます。著者らはこれを検証するために、湾岸地域のサブリージョンで1万件の合成記録を生成し、各点でフーリエ振幅スペクトル（周波数依存の揺れの強さの指標）を計算しました。得られた地図は滑らかで現実的な変化を示します：震源から離れるほど揺れが弱まり、方向によって変わり、サンノゼ付近やサンフランシスコ湾の泥質地など軟らかい土壌のある場所では強くなる傾向があります。重要なのは、これらの空間パターンが距離と深さのみを知る単純なベースラインAIモデルよりはるかに現実的に見え、地震学者が構築した高度な非エルゴード的経験的地盤運動モデルの出力に似ている点です。

形状と強さの両面で実データに一致

チームはAIの出力を実際の記録といくつかの方法で比較しました。周波数領域では、合成振幅スペクトルは多くの建物にとって重要な2〜15ヘルツの範囲で観測値と良く一致します。時間領域では、生成された波形は全体の形状だけでなく、ピーク地表速度や独立した到達時刻選別アルゴリズムで決定されたP波・S波の到着時刻も再現します。モデルは同じシナリオについてわずかに異なる複数の揺れを生成でき、地震の自然なランダム性を捉えています。制約もあります：非常に低い周波数や非常に高い周波数は完全に一致させるのが難しく、最小規模の事象の揺れ継続時間には散らばりが大きく、非常に大きな地震にスケールするには追加の学習データがないと困難です。

人々と建物にとっての意味

専門外の人向けに要約すると、このAIフレームワークは、観測点が設置されていない場所でも、また高価なスーパーコンピュータシミュレーションを回すことなく、都市域全体で現実的かつ物理を意識した地震揺れシナリオを素早く生成できるということです。CGM-GMは詳細な物理ベースのモデルや精密に較正された経験式に取って代わるものではありませんが、柔軟で高速でありながら最先端手法と同等の性能を示します。さらなる改良と追加データにより、こうした生成モデルは「もしも」の地震を探索し、ハザードマップを改善し、次の大きな揺れに備えた建物やインフラの設計に役立つ実用的なツールになり得ます。

引用: Ren, P., Nakata, R., Lacour, M. et al. Learning earthquake ground motions via conditional generative modeling. Nat Commun 17, 4021 (2026). https://doi.org/10.1038/s41467-026-70719-2

キーワード: 地震地盤運動, 生成系AI, 地震ハザード, サンフランシスコ湾岸地域, 変分オートエンコーダ