摘要：認識重復地震周期活動的影響,其最大的挑戰之一是大尺度的黏彈性地震周期模型的計算成本。對于計算密集型黏彈性代碼,須在數以千計的時間和位置點上進行評估。因此,研究趨向于采用幾個固定的流變結構和模型幾何結構,考查所預測的大震后短時間(小于10年)內給定深度處不同時間的形變。訓練一個深層神經網絡來學習黏彈性解在任意時間、位置和大范圍流變結構計算效率的表示,可快速且可靠地完成計算,并具有較高時空分辨率。結果表明,該機器學習方法可以將黏彈性計算速度提高50000%以上。這種加速量級將使得在更大的模型參數范圍內、在比以前更大的時空尺度上和數千個地震周期內,模擬幾何結構復雜的斷層成為可能。