Earthquake aftershock forecasting with conditional generative models

巨大な地震が発生したとき、地面は単に静まり返るわけではない。数時間、数日、時には数年間にわたって、地殻は震え続け、「余震」として知られる数千もの小さな揺れを放出し続ける。これらは予測可能なリズムに従っている。すなわち、本震の直後に最も頻繁に発生し、次第に衰退していくのである。また、その発生場所は、破壊された特定の断層に沿って集まる傾向がある。科学者たちは長い間、統計的な規則を用いて、これらの余震がいつ、どこで起こるかを推測しようとしてきた。そこでは、個々の震動を広大なランダムな雲の中にある孤立した点として扱ってきた。こうした従来の手法は平均的にはうまく機能するが、特定の地震シーケンスがどのように展開するかという、現実世界の複雑な詳細を捉えることには失敗することが多い。彼らは、余震帯の正確な形状や、特定のシーケンスがどれだけの震動を生み出すかを予測することに苦慮しており、実際の地震の余波を定義づける、断層に沿ったギザギザとしたパターンを、しば々に滑らかに塗りつぶしてしまうのである。

カリフォルニア大学バークレー校のある研究者が、単純な統計を超えた、これらのシーケンスを予測するための新しい手法を開発した。個々の震動を一つずつ予測しようとする代わりに、この研究者は、コンピュータモデルに、地震活動の未来の全景を、進化する一つの「絵」として想像させるよう訓練した。「QuakeGen」と呼ばれるこの新しいアプローチは、膨大な歴史的地震データから学習することで、余震が空間と時間の中でどのように広がるかを理解する。このモデルを政府機関が使用している標準的な手法と比較検証したところ、余震が集まる場所と、その活動がどのように減衰するかを特定する能力において、より高い精度を示した。QuakeGenは、実在する断層に沿った余震帯の長く細長い形状を再現することに成功したが、これは古いモデルがしばしば見落とし、漠然とした円形の推測に置き換えてしまう詳細である。

この研究の核心にあるのは、視点の転換である。従来の予測は、地震シーケンスを個別のイベントのリストとして扱い、どれだけの数のイベントがどこで起こるかを推定するために固定された数学的公式を使用する。これらの公式は、余震が池に広がる波紋のように、本震からあらゆる方向に均等に広がると仮定している。しかし、実際の地震はこのような挙動を示さない。余震は通常、破壊された断層に沿って並び、地下深くの破壊の幾何学的形状を反映した、長く引き伸ばされたクラスター（集まり）を形成する。研究者は、個々のイベントを一つずつ予測しようとすることは、より大きな全体像を見る能力を制限していることに気づいた。そこで、彼らは予測を、気象学者が天気をマッピングするのと同様に、「場（フィールド）」として扱うことにした。彼は、将来の地震活動の完全なマップを生成できるモデルを求めた。つまり、あらゆる小さな区画における予想震動数と、最大震度の両方を示すマップである。

このシステムを構築するために、研究者は「拡散モデル（diffusion model）」として知られる人工知能の一種を用いた。この技術は、近年、天気予報やタンパク質構造解析の分野に革命をもたらしているもので、ノイズを加えるプロセスを逆転させることを学習する。鮮明な写真が、徐々に静電気のようなノイズに覆われ、純粋で無意味な粒状へと変わっていく様子を想像してほしい。拡散モデルは、その粒状の状態から、段階的にノイズを取り除き、元の画像を明らかにする方法を学習する。この研究において、「画像」は写真ではなく、地震活動のマップである。モデルは、空白のノイズだらけのマップから始まり、既成事実の情報に導かれながら、次に行われるべき明確な予測へと、徐々に洗練させていくのである。

研究者は、モデルの汎用性を検証するために、2種類の異なるデータを用いてQuakeGenを訓練した。第一に、1990年から2023年までの世界中の数千の主要地震とその余震を含むグローバルなデータセットを使用した。モデルに対し、大規模な地震が発生する数日前の地震活動と、直後の最初の数時間の余震を観察するように学習させた。この限られた情報に基づき、モデルは今後数日、数週間、あるいは数ヶ月間の余震のパターンを予測しなければならない。その後、モデルは2024年と2025年に発生した、モデルが一度も見たことのない80件の主要地震に対してテストを行った。これらのテストにおいて、QuakeGenはアメリカ地質調査所（USGS）が使用している標準的な運用モデルを上回る性能を示した。従来のモデルが予測活動の広範で円形のハロー（光輪）を描き出したのに対し、QuakeGenは、引き伸ばされた断層に沿った形状を正しく特定した。例えば、日本でのマグニチュード7.5の地震の後、新モデルは断層に沿った150キロメートルの長さの余震帯を再現したが、旧モデルは予測を広い円形の中に拡散させてしまった。

第二のテストは、南カリフォルニアという単一の地域に焦点を当てた。ここでの目標は、単一の大きな地震の余震を予測することではなく、広大なエリアにおける日々の地震発生率を時系列で予測することであった。研究者は、標準的な検知器では見逃されがちな多くの小さな震動を含む、この地域の非常に詳細な地震カタログを用いてモデルを訓練した。次に、モデルに対し、サルトン湖やサン・ジャシント断層のような、頻繁に活動が見られる特定のサブリージョンにおける日々の地震数を予測させた。この設定において、モデルは、その特定の地域に合わせて慎重に調整された最高の統計モデルと同等の性能を示した。これは、単一のデータ駆動型モデルが、手動での再キャリブレーションを必要とせずに、断層系全体の複雑な挙動を学習できることを示唆しており、非常に重要なことである。

この新モデルの最も驚くべき側面の一つは、不確実性の扱い方である。地震シーケスの未来は本質的に予測不可能であるため、モデルは単一の答えを出すのではない。代わりに、各予測に対して100通りの異なる「あり得る未来」のアンサンブル（集合）を生成する。これら100枚のマップはそれぞれが有効な実現形態であり、個々の震動の具体的な場所が異なっている。研究者がこれら100枚のマップを平均化すると、活動の全体的な割合を示す滑らかな図が得られ、それは自然界で観察される実際のパターンと密接に一致した。このアプローチにより、予測者は最も可能性の高い結果だけでなく、起こり得る全範囲を知ることができ、リスクがどこに集中しているのかという、より明確なイメージを提供することができる。

また、本研究では、任意のエリアにおける最大級の余震の大きさを予測する能力についても調査した。従来のメソッドは、空白地帯によって数値が歪められる可能性があるため、これに苦戦することが多い。しかし、QuakeGenは震動のカウントと最大震度を同時に生成する。予測の90パーセンタイル値を調べることで、モデルは最大の震動の予測を破壊された断層上に集中させることができ、これは「最大の余震は主要な破壊が起きた場所に発生する」という実世界の観察結果と一致している。この頻度と規模の同時予測は、より完全で現実的なハザード（危険）のビューを提供する。

こうした成功にもかかわらず、研究者はモデルの限界も認めている。モデルは、訓練に使用されたデータの質と量に大きく依存する。極めて大規模な地震は稀であるため、モデルは時として総余震数を過小評価したり、破壊帯の全容を捉えきれなかったりすることがある。これは、訓練中にこれらの巨大なイベントの例を十分に見ていないことが原因である。著者は、今後の改善策として、データ駆動型のアプローチと物理ベースのシミュレーションを組み合わせることで、より多くの巨大地震の例を生成することや、断層破壊の正確な幾何学的形状や地殻変動の測定値といった追加情報をモデルに提供することなどが挙げられている。

この研究は、地震予測への科学的アプローチにおける重要な進歩を象徴している。固定されたルールや孤立したイベントの予測から脱却し、データから直接、地震場の複雑で進化するパターンを学習することによって、研究者は地震シーケンスの真の性質を捉えるツールを作り上げた。このモデルは、次にいつ大きな地震が襲うかを予測することはできないが、地震が発生した後に何が起こるのかについて、より鋭く、より正確な視界を提供し、コミュニティがその後に続く揺れの形状と規模を理解する助けとなるのである。