Large-Scale 3D Ground-Motion Synthesis with Physics-Inspired Latent Operator Flow Matching

📄 arXiv: 2603.17403v1 📥 PDF

作者: Yaozhong Shi, Grigorios Lavrentiadis, Konstantinos Tsalouchidis, Zachary E. Ross, David McCallen, Caifeng Zou, Kamyar Azizzadenesheli, Domniki Asimaki

分类: cs.LG

发布日期: 2026-03-18

💡 一句话要点

提出GMFlow，利用物理启发的潜在算子流匹配实现大规模3D地面运动合成。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 地面运动合成 深度学习 流匹配 地震工程 物理建模

📋 核心要点

  1. 现有基于物理的地震模拟计算量巨大，难以满足大规模不确定性分析的需求。
  2. GMFlow利用潜在算子流匹配，学习物理参数到地面运动时程的映射，实现快速生成。
  3. 在旧金山湾区实验中，GMFlow比传统模拟方法加速10000倍，同时保持空间相干性。

📝 摘要（中文）

地震灾害分析和空间分布式基础设施（如电网和能源管道网络）的设计需要具有真实频率成分和时空相干性的特定场景地面运动时程。然而，对于不确定性量化所需的大量集合，基于物理的模拟计算量大，对于工程工作流程来说是不切实际的。为了解决这个挑战，我们引入了Ground-Motion Flow (GMFlow)，这是一个受物理启发的潜在算子流匹配框架，可以生成基于物理参数的真实的大规模区域地面运动时程。在旧金山湾区模拟地震场景的验证表明，GMFlow可以在几秒钟内生成超过900万个网格点的空间相干地面运动，与模拟工作流程相比，速度提高了10000倍，这为分布式基础设施的快速和不确定性感知灾害评估开辟了一条道路。更广泛地说，GMFlow推进了与网格无关的函数生成建模，并可能扩展到各种科学领域中大规模时空物理场的合成。

🔬 方法详解

问题定义：论文旨在解决大规模3D地面运动合成问题，现有基于物理的模拟方法计算成本高昂，难以快速生成大量用于不确定性量化的地震场景。这限制了对分布式基础设施进行快速灾害评估的能力。

核心思路：论文的核心思路是利用深度学习，特别是流匹配模型，学习一个从物理参数（如震级、位置等）到地面运动时程的映射。通过在潜在空间中进行操作，可以显著降低计算复杂度，实现快速生成。这种方法受到物理规律的启发，能够生成具有物理合理性的地面运动。

技术框架：GMFlow框架包含以下主要模块：1）物理参数输入模块，用于输入地震的物理参数；2）编码器，将物理参数编码到潜在空间；3）流匹配模块，在潜在空间中学习从物理参数到地面运动的映射；4）解码器，将潜在空间的表示解码为地面运动时程。整个流程是端到端可训练的。

关键创新：GMFlow的关键创新在于使用潜在算子流匹配来学习物理参数到地面运动的映射。与传统的生成模型相比，流匹配模型具有更好的稳定性和可控性。此外，该方法是网格无关的，可以处理不同分辨率的地面运动数据。

关键设计：GMFlow使用了一种特殊的流匹配模型，该模型在潜在空间中定义了一个连续的向量场，通过求解常微分方程（ODE）来生成地面运动。损失函数包括一个数据保真项和一个正则化项，用于保证生成结果的物理合理性。网络结构采用U-Net架构，以捕捉不同尺度的特征。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在旧金山湾区的地震模拟实验中，GMFlow能够在几秒钟内生成超过900万个网格点的空间相干地面运动，与传统的基于物理的模拟方法相比，速度提高了10000倍。实验结果表明，GMFlow生成的地面运动具有与真实地震相似的频率成分和时空相干性。

🎯 应用场景

GMFlow可应用于地震灾害分析、分布式基础设施的抗震设计、以及城市规划等领域。它可以快速生成大量地震场景，用于评估基础设施的风险，并优化设计方案。此外，该方法还可以扩展到其他科学领域，用于合成大规模时空物理场，例如气候模拟和流体动力学。

📄 摘要（原文）

Earthquake hazard analysis and design of spatially distributed infrastructure, such as power grids and energy pipeline networks, require scenario-specific ground-motion time histories with realistic frequency content and spatiotemporal coherence. However, producing the large ensembles needed for uncertainty quantification with physics-based simulations is computationally intensive and impractical for engineering workflows. To address this challenge, we introduce Ground-Motion Flow (GMFlow), a physics-inspired latent operator flow matching framework that generates realistic, large-scale regional ground-motion time-histories conditioned on physical parameters. Validated on simulated earthquake scenarios in the San Francisco Bay Area, GMFlow generates spatially coherent ground motion across more than 9 million grid points in seconds, achieving a 10,000-fold speedup over the simulation workflow, which opens a path toward rapid and uncertainty-aware hazard assessment for distributed infrastructure. More broadly, GMFlow advances mesh-agnostic functional generative modeling and could potentially be extended to the synthesis of large-scale spatiotemporal physical fields in diverse scientific domains.