美國勞倫斯柏克萊國家實驗室（Berkeley Lab）研究團隊宣布開發 CGM-GM 機器學習框架，目標是加速地震動模擬與風險評估。研究成果已發表於《Nature Communications》，團隊表示，使用一般配備 GPU 的電腦，CGM-GM 只需幾分鐘即可模擬整個舊金山灣區數千筆地震資料；相較之下，傳統方法通常需要仰賴昂貴的超級電腦，運算時間可能達數小時。
這項研究於 2026 年 8 月 22 日受到關注。研究團隊指出，地震模擬對地震風險評估及建築、橋梁與管線等基礎設施安全相當重要，但大型且低頻率發生的強震事件仍難以建模，原因包括歷史感測資料稀少，以及地下結構與震波傳播機制十分複雜。
傳統地震模擬面臨精度與速度取捨
目前地震模擬大致可分為兩類。第一類是以物理定律為基礎的模擬，通常能提供較高精度，但計算成本與所需時間都相對較高；第二類是資料驅動的經驗式方法，運算速度較快，卻可能受到感測資料稀疏的限制，也較難完整反映不同地區的局部地質差異。
Berkeley Lab 研究團隊表示，CGM-GM 嘗試在兩者之間建立新的方法。模型可從震級、震源位置，以及震源與接收點之間的幾何關係等複雜輸入中學習，並將資料轉換為較低維度的表示，再生成高頻且連續的地震波形。
採用 CVAE 架構生成寬頻地震波形
CGM-GM 採用條件式變分自編碼器（Conditional Variational Autoencoder，CVAE）架構。與需要在執行階段持續求解顯式物理微分方程式的傳統方法不同，CGM-GM 在執行模擬時不必依賴這類方程式，能藉由模型從觀測資料中學得的關係生成結果。
研究團隊也加入分層潛在變數，同時處理地震波形的時間軸與頻率特徵。這讓模型能夠從稀疏觀測資料推估連續場輸出，並提供不確定性量化。對於需要評估不同地震情境及其可能風險的工程與決策工作而言，不確定性資訊是重要參考。
研究資料顯示，少數先進的物理模擬方法最多通常只能處理到 5 Hz；共同作者、柏克萊實驗室研究員 Rie Nakata 表示，CGM-GM 可生成最高達 15 Hz 的寬頻地震波形。較高的頻率範圍有助於分析不同結構對地震動的反應，但實際應用仍須視模型驗證結果與使用情境判斷。
研究團隊：從觀測資料捕捉真實世界複雜動態
第一作者 Pu Ren 表示，這套方法直接從觀測資料學習，因此更有機會捕捉真實世界中的複雜動態。這項特性也回應了傳統模型在地下介質、局部地質與震波傳播條件上可能面臨的簡化問題。
不過，CGM-GM 的核心能力仍建立在訓練資料與模型設計之上。對於歷史資料稀少、觀測條件不同或超出訓練範圍的地震情境，模型的泛化能力與不確定性仍需要透過更多研究與驗證加以確認。現有資訊也未表示 CGM-GM 已取代所有物理模擬方法。
從地震科學延伸至其他 SciML 應用
研究團隊強調，CGM-GM 的意義不只限於地震科學，也展現科學機器學習（Scientific Machine Learning，SciML）在其他科學與工程領域的應用潛力，包括流體力學、聲學、量子力學、氣候模擬，以及醫學影像重建。
共同作者 Michael Mahoney 表示，團隊的目標並非單純將 AI 套用到科學問題，而是發展可跨領域使用的機器學習方法。研究團隊列出的相關方向包括用 CGM-GM 處理波形、CGM-FAS 處理頻譜，以及 CGM-Wave 處理波傳遞。
整體而言，CGM-GM 顯示生成式 AI 有機會降低部分高成本科學模擬的運算門檻，讓研究人員能更快速探索大量地震情境。然而，模擬速度提升並不等同於預測地震發生時間；其目前價值主要在於地震動生成、風險分析與結構耐震評估等工作，模型的可靠性仍須配合觀測資料、物理知識及實際工程驗證。
Reference Link : technews.tw
