本研究では、地震モデリングにおける応力と摩擦パラメータを逆解析するための最適化手法を提案する。
断層ネットワークの幾何学的特性が断層のクリープ挙動に重要な役割を果たしている。複雑な幾何学的構造を持つ断層ネットワークは固着を促し、地震発生を助長するが、単純な幾何学的構造を持つ断層ネットワークはスムーズなクリープを可能にする。
沈み込み境界では、メートル単位の複数の活動的な平行断層が存在し、それらの幾何学的複雑性が余効すべりの伝播に影響を及ぼすことが明らかになった。
深層グラフ学習を用いて、地震波データの高次元情報を活用し、より正確で安定した地震波初動ピッキングを実現する。
深層学習ベースの位相検出により、マイナス規模の小さな地震からも高密度の到着位相を検出できるようになった。これらの新しいデータは地震ダイナミクスの重要な洞察を与えるが、未知の波速モデルの下で位相関連付けは困難な課題となっている。本研究では、深層生成モデリングとニューラルフィールドを用いた高密度位相関連付けフレームワーク「Harpa」を提案する。Harpaは最適輸送を用いて到着位相系列を比較することで、未知の波速に頑健である。複雑な合成モデルを用いた実験では、Harpaが高密度領域での位相関連付けを初めて正確かつ頑健に行うことができることを示した。