Earth–Brain Computer Interface a cross-disciplinary framework for earthquake and volcanic eruption forecasting

技術要約：地球・脳コンピュータインターフェース (E-BCI)

問題提起
地震や火山噴火の正確な短期予測は、地球科学における極めて重要な未解決の課題であり続けている。単一パラメータの時系列解析（例：イベント発生率、地表変形、または化学組成のフラックス）に依存する従来の一般的な手法は、これらの事象を支配する創発的かつマルチスケールなダイナミクスを捉えることができない。地球システムの複雑性は、センチメートルから数千キロメートルに及ぶ空間スケール、およびミリ秒から数世紀に及ぶ時間スケールにわたる応力進化を伴う。本論文は、多源的で高次元な地球物理学的データを統合するための体系的なフレームワークの欠如が、予測能力を制限していると主張している。

手法：E-BCIフレームワーク
著者らは、脳コンピュータインターフェース（BCI）の手法を地球物理学的モニタリングへとマッピングする、学際的なフレームワークである「地球・脳コンピュータインターフェース（E-BCI）」を提案する。その核心となる前提は、皮質神経ダイナミクスと地球内部プロセスとの間の手法的な類推（存在論的な等価性ではなく）である。

1. 理論的マッピング（地球と脳の類推）
本フレームワークは、地球物理学的信号と神経学的アナログとの間に5つの主要な対応関係を確立している：

• 地震波（P波/S波体波） $\leftrightarrow$ 活動電位: 脆性岩石の破壊と応力パルスの伝播。
• 低周波地震／火山性微動 $\leftrightarrow$ 局所電位（LFP）: マグマの移動と流体駆動の振動。
• 地表変形（GNSS/InSAR） $\leftrightarrow$ シナプス可塑性: マグマ溜まりの膨張と断層クリープ。
• 熱フラックス／ガス放出 $\leftrightarrow$ 神経伝達物質の放出: マグマの脱ガスと熱水循環。
• プレートテクトニクス・ネットワーク $\leftrightarrow$ 皮質結合トポロジー: 両者とも、局所的なクラスタリングと疎な長距離結合を伴うスモールワールド・ネットワーク特性を示す。

2. システム・アーキテクチャ
E-BCIシステムは、「取得 $\rightarrow$ デコード $\rightarrow$ 予測」の3層パイプラインに従う。

• 第1層：地球神経取得層

  • 全球地震観測網（GSN/IRIS）、分散型音響センシング（DAS）アレイ（メートルスケールの間隔を持つ高密度マイクロ電極アレイとして機能）、GNSS変形ネットワーク、および衛星リモートセンシング（InSAR、熱、ガス柱）を統合する。
  • DASは、従来の観測網よりも数桁高い空間サンプリング密度を提供する重要なイネーブラーとして強調されている。

• 第2層：信号デコーディングおよび特徴抽出

  • 時間・周波数エンジニアリング: 波形をSTFTスペクトログラムおよびMFCCに変換する。
  • クロスモーダル・アテンション融合: モダリティ固有のエンコーダ（CNN）を用いて、異種混合のデータストリーム（地震、測地、地球化学、熱）を共通の潜在空間へと圧縮し、学習可能なアテンションによる整合を行う。
  • ノイズ抑制: 適応型ノッチフィルタリングとディープ・デノイジング・ネットワーク（U-Netバックボーン）を採用する。

• 第3層：予測および決定層

  • 地震モジュール: 72時間以内の $M \ge 5.0$ のイベント発生確率を予測し、規模と深さを推定する。
  • 火山モジュール: 5日間のホライゾンにおける噴火確率、開始ウィンドウ、および規模クラス（流出型／爆発型）を予測する。
  • 出力: 校正された信頼度スコアとアテンション重みの解釈可能マップ。

3. 学習戦略
極端なクラス不均衡（稀な大規模イベント）および特定地点におけるデータ不足に対処するため、本フレームワークは以下を採用する：

• エルゴディック前駆現象転移学習（Ergodic Precursor Transfer Learning）：バックボーンモデルを、データが豊富な領域（例：カリフォルニア、日本、ニュージーランドの地震活動、および24の火山噴火）で事前学習させ、対象地点に対してファインチューニングを行う。これは、前駆現象の特徴が断層系や火山間で普遍的であるという仮説を利用している。
• 物理情報に基づくデータ拡張（Physics-Informed Data Augmentation）：タイムストレッチ、周波数シフト、および条件付きGANを用いて、希少クラスの例を合成する。
• 損失関数：ハードな事例や閾値付近の事例に焦点を当てるためのFocal Lossを実装し、マグニチュード・頻度分布における物理的一貫性を確保するためにグーテンベルグ・リヒター則によって正則化する。

主な貢献

1. 理論的マッピング: 神経ダイナミクス（スモールワールド・トポロジー、自己組織化臨界現象）と地球物理学的プロセスを結びつける体系的な類推。
2. 取得設計: 高密度電極アレイの原理に基づいた、多源融合型のアーキテクチャ（特にDASを活用）。
3. 転移学習戦略: データが豊富な地質学的サイトからデータが乏しいサイトへモデルを汎用化するための「エルゴディック前駆現象」アプローチ。
4. 概念実証による検証: 実世界のデータセットを用いた予測スキルの実証的提示。

結果
本論文は、公開データ（2020年–2025年）を用いた2つのケーススタディの結果を報告している：

• 地震予測（環太平洋ベルト）: E-BCIモジュールは、72時間以内の $M \ge 6.0$ の地震に対して**78%の再現率（Recall）**を達成し、平均リードタイムは約36時間であった。これは、地震発生率のみをベースラインとした場合と比較して、F1スコアが約18パーセントポイント向上したことを示している。
  • 例: 高い信頼度の警告（$P=0.91$）が、$M7.2$ の事象の48時間前に発行された。これは、「マルチモーダル共活性化」パターン（上昇した低周波地震、地磁気摂動、およびGNSS速度異常）によってトリガーされた。
• 火山予測（ラ・パルマ島およびピトン・ド・ラ・フルネーズ）:
  • ラ・パルマ島（2021年）: DAS由来の微動信号とGNSSデータの統合により、噴火開始予測誤差を $\pm 12$ 時間に低減した。
  • ピトン・ド・ラ・フルネーズ（2025年）: モデルはイベント数の単調増加を正しく予測し、2025年4月の噴火の3日前に高確率アラート（$P > 0.85$）を発令した。
  • 限界: モデルは、噴火直前の加速的な不安定状態の最終数時間を捉えることに苦慮しており、これはマグマ上昇の非線形でカオス的な性質を反映している。

意義および主張
本論文は、E-BCIを、地球を「疎な測定から推論されるシステム」としてではなく、「豊かなマルチチャネル信号源」として扱うための「概念的なレンズ」として位置づけている。その意義は以下の点にある：

• 手法の転用: 実証済みのBCIエンジニアリング・パイプライン（取得・デコード・予測）を地球科学へと成功的に移植したこと。
• 性能の進展: 本フレームワークが適切にプロスペクティブに検証されれば、$M \ge 6.0$ の地震や火山噴火に対して意味のあるリードタイムを提供し、現在の運用システムに対して実質的な進歩をもたらし得ることを示したこと。
• 将来展望: 著者らは、グローバルなE-BCIセンサーネットワーク、地球の「デジタルツイン」、および遠隔地でのリアルタイム処理のためのニューロモーフィック・エッジコンピューティングへの道筋を描いている。

注意点
著者らは、これらの実験が「徹底的な運用評価ではなく、あくまで例示的なものである」と明記している。これには、神経事象と地質学的事象の間の6〜9桁の時系列スケールの乖離、データの異質性、社会的信頼を築くためのモデルの解釈可能性の必要性、および誤報による経済的コストといった、依然として残る課題がある。本フレームワークは、地球と脳の間のメカニズム的な等価性の主張ではなく、転用可能なエンジニアリング・パラダイムとして提示されている。