物理情報制約を取り入れた深層学習による細密格子での磁気地電流法フォワードモデリング

地球の隠れた信号に耳を澄ます

地球物理学者は、掘削せずに地下深部を「見る」巧妙な方法を持っています。それは、地中を伝わる微弱な自然の電磁信号に耳を傾けることです。これらの信号の伝播をモデル化することで、埋没断層、鉱床、地熱資源などをマップできます。しかし、これを高精度で行うにはこれまで多くの計算時間がかかってきました。本論文は、物理法則に導かれた新しい深層学習アプローチが、計算を劇的に高速化しつつ精度を維持あるいは向上させ得ることを示しています。

地下で細部が重要な理由

磁気地電流法（MT）は、惑星の医療イメージングのように機能します。地表のセンサーは自然発生する電磁波を記録し、そこから異なる岩石の電気伝導性を推定して、鉱体、断層、マグマなどの構造を明らかにします。ある地下構造に対して実際にどのような信号が観測されるかを計算するために、研究者は地下を小さなセルの格子に分割して応答を計算します。これがフォワードモデリングです。非常に細かい格子を使うと、狭い鉱脈や岩相の急峻な境界のような微妙な特徴を捉えられますが、同時に解くべき方程式の規模が爆発的に増大します。有限要素法や有限差分法といった従来の数値手法では、通常のコンピュータでも単一の細密格子モデルで数百秒かかることがあり、探査や解釈の足かせとなります。

地球のルールをニューラルネットに教える

多くのチームは、フォワードモデリングの遅さを回避するために、ニューラルネットワークを訓練してそのステップを模倣させる深層学習に取り組んできました。しかし、純粋にデータ駆動のネットワークは物理的現実から外れがちで、学習データには合うものの、特にノイズや未知の地質条件がある場合に電磁場の本来の振る舞いを無視してしまうことがあります。著者らはこれに対処するため、Swin‑UNetというU字型アーキテクチャを基にした物理制約付きマルチタスクニューラルネットワークPDMNetを設計しました。このネットワークは2次元の抵抗率モデルを入力とし、見かけの抵抗率と位相という2つの主要なMT出力を同時に予測します。重要なのは、学習が単に例データに一致することを目指すだけでなく、磁気地電流理論から導かれる物理的ルールも満たすように設計されている点です。

現実的な訓練世界の構築

PDMNetを現実の用途に備えさせるため、研究者たちは34,733件という大規模な合成地下モデルのライブラリを作成しました。単純でブロック状の構造の代わりに、立方スプライン補間を用いて滑らかに変化する抵抗率分布を生成し、より自然な地質を模倣するとともに大規模体の体積効果を含めました。各モデルについて、従来の有限要素ソルバーが細密格子上で正確なMT応答を算出し、それが学習用の教師データとなりました。また、現地データに必然的に含まれる攪乱を模擬するため、最大5%のランダムノイズを少量加えています。ネットワークにデータを与える前に、抵抗率と位相の値域を慎重に正規化して、学習を安定化させモデルの一般化能力を高めました。

物理に学習の舵を取らせる

訓練中、PDMNetは協調して働く二つの方向に引かれます。損失関数の一部は、ネットワークの予測した見かけの抵抗率と位相が有限要素法による細密格子結果にどれだけ近いかを評価します。もう一方の項は、ネットワーク自身の予測から迅速な磁気地電流イメージング式であるBostick反演を用いて再構成した抵抗率プロファイルと元の抵抗率モデルを比較します。この第二の項は物理的な監視役のように機能し、もし予測があり得ない地下構造を示唆するならば、ネットワークは物理的に一貫した振る舞いへと押し戻されます。マクスウェル方程式や境界条件に関連する残差項も学習過程に織り込まれています。時間の経過とともにBostickに基づく制約の重みは徐々に減らされ、初期の学習段階では物理による強い誘導が働き、後半ではデータへの適合がより細かく調整されます。

精度を損なわずに速い結果

未見の合成モデルと実際の地質事例—中国の金川（Jinchuan）ニッケル‑銅硫化物鉱床—での検証において、PDMNetは金標準である有限要素ソルバーが得る詳細なパターンや構造を忠実に再現しました。数値誤差や構造的類似性の指標は、特に局所的な微細特徴の捉えやノイズの多い入力への対処において、純粋にデータ駆動のSwin‑UNetよりPDMNetを支持しました。最も注目すべき点は、訓練後のPDMNetが細密格子のフォワード応答を約1秒で生成できるのに対し、従来のソルバーは同じ格子解像度で約210秒を要したことです。平たく言えば、基礎となる物理を尊重しつつ、地下の高解像度ビューを数百倍の速さで提供します。

足元の地下を探る新しい道具

専門外の方への主なメッセージは、本研究が地下イメージングにおける遅く計算負荷の高いステップを、科学的厳密さを損なうことなく高速なAI支援の操作へと変えたという点です。深層学習と慎重に設計された物理制約を融合することで、機械は単にデータのパターンを学ぶだけでなく、地球の電磁挙動を支配するルールそのものを学べることを示しています。これにより、多様な地下シナリオを素早く試すことが容易になり、資源探査や地熱開発、地球深部構造の研究における意思決定を支援します。同じ戦略は将来的に完全な3次元モデルへ拡張され得て、我々の足元にあるもののさらに豊かな像を約束します。

引用: Wang, K., Yuan, C., Zhu, H. et al. Magnetotelluric forward modeling on fine grid via deep learning with physical information constraints. Sci Rep 16, 6412 (2026). https://doi.org/10.1038/s41598-026-37645-1

キーワード: 磁気地電流法, 地球物理イメージング, 深層学習, 物理情報を取り入れたAI, 地下探査