SB-ETAS: 用于 ETAS 地震发生模型的基于仿真的推断

对 Epidemic-Type Aftershock Sequence (ETAS) 模型进行贝叶斯推断，通常需要使用似然函数或估计潜在分支结构的 MCMC 采样。这些任务的计算复杂度为 $O(n^2)$，随地震次数而增长，因此不利于新型增强目录，其中可包含约 $10^6$ 事件。相反，可更快地 $O(n \log n )$ 从 ETAS 模型进行仿真。我们提出 SB-ETAS：ETAS 模型的仿真基于推断。这是一种近似贝叶斯方法，利用 Sequential Neural Posterior Estimation (SNPE)，这是一种基于机器学习的算法，用于从仿真中学习后验分布。SB-ETAS 能够成功地在较短目录上近似 ETAS 后验分布，其中可以在计算上与 MCMC 采样进行比较。此外，SB-ETAS 的扩展使得对非常大的地震目录（例如可追溯至 1932 年的加州目录）进行拟合成为可能。SB-ETAS 可在普通笔记本电脑上在 10 小时内找到 ETAS 参数的贝叶斯估计，而使用 MCMC 则需要超过 2 周。展望未来，不局限于标准 ETAS 模型，这种仿真基于框架允许地震模型师定义和推断具有不可计算似然函数的更复杂模型。