基于物理启发的潜在算子流匹配的大规模 3D 地面运动合成
机器学习
2026-03-19 v1
摘要
地震风险分析和分布式基础设施（如电网和能源管道网络）的设计需要具有真实频率内容和时空一致性的情景特定地面运动时序历史。然而，随场景需求的不确定性量化需要大量样本，基于物理的仿真计算密集型且不切实可行。为此，我们引入了 Ground-Motion Flow (GMFlow)，一个受物理启发的潜在算子流匹配框架，用于生成以物理参数为条件的真实、大规模区域地面运动时序。经在旧金山湾区模拟地震情景验证，GMFlow 可在数秒内生成覆盖超过 900 万网格点的时空一致地面运动，实现了对仿真工作流程的 10,000 倍加速，为分布式基础设施的快速不确定性评估开辟了道路。更广泛地说，GMFlow 推动了网格无关的函数生成建模，可能扩展到 diverse scientific 领域的大规模时空物理场合成。
引用
@article{arxiv.2603.17403,
title = {Large-Scale 3D Ground-Motion Synthesis with Physics-Inspired Latent Operator Flow Matching},
author = {Yaozhong Shi and Grigorios Lavrentiadis and Konstantinos Tsalouchidis and Zachary E. Ross and David McCallen and Caifeng Zou and Kamyar Azizzadenesheli and Domniki Asimaki},
journal= {arXiv preprint arXiv:2603.17403},
year = {2026}
}