Independent AI Practice · Est. 2026 · Japan IVXA · 2026 設立 · 日本
IVXA · Earth-observation, geothermal, geophysical signals IVXA · 地球観測 · 地熱 · 地球物理シグナル
An independent AI research and development venture working at the intersection of geophysical signal processing and modern deep learning. We design, validate, and deliver phase-aware, physics-informed models that operate on real spaceborne, subsurface, and seismic data. 衛星画像、地下のセンサー、地震計 ── 地球が記録するデータに、AI を組み合わせる仕事をしています。物理法則を尊重した深層学習モデルを設計・検証し、実際の現場で動く形でお届けします。
About the name名前について
"AI-va" /ˈaɪ.və/ 「アイヴァ」 /ˈaɪ.və/
I
Intelligence
the core that runs through everything we build. すべての出発点となる、知性そのもの。
V
Vector
direction with magnitude — focus, not noise. 大きさと方向を持った力。ぶれない焦点を。
X
eXploration
the willingness to step into the unknown. 未踏の問いへ、一歩踏み出す姿勢。
A
Analysis
where insight lands and becomes useful. 洞察を、現場で使える形に着地させる。
Mission理念
The data I work with comes from satellites, optical fibres laid in the
ground, seismometers — noisy, irregular, never quite the way the textbook
draws it. A lot of models that look good on clean benchmarks fall apart
on data like this.
The approach I lean on is sim-to-real: train on numerical
simulations first, then bridge to real measurements. Simulations teach
the physics; the real world teaches the rest.
I design models that respect the physics, on the assumption that those
are the ones that hold up when the data gets messy.
扱うのは、衛星から上がってくる生信号、地下に張った光ファイバーが拾う振動、地震計の波形 ── どれもノイズが乗っていて、観測条件もそろっていません。きれいなベンチマークの上では動くのに、こういうデータでは崩れるモデルは少なくありません。
最初は数値シミュレーションでモデルを学習させ、そこから少しずつ実データに適応させていく ── いわゆる Sim-to-Real のアプローチを軸にしています。シミュレーションで物理を学ばせてから、現実の観測データに橋を架ける。
物理を理解した上で設計したモデルなら、こういうデータの上でも動くはずです。そう信じて作っています。
Founder · AI Solution Architect 代表 · AI ソリューションアーキテクト
IVXA · Japan IVXA · 日本
Geophysical signal processing meets modern deep learning — Fourier neural operators, physics-informed models, distributed acoustic sensing, and neural compression for Earth-observation data. Active in seismic source characterization, microseismic monitoring, ground-motion prediction, and synthetic aperture radar. Currently engaging with international peer-reviewed venues across the Earth-observation and seismology communities. 地球物理学と深層学習の両方を行き来しながら仕事をしています。地震波・衛星レーダー (SAR)・光ファイバーで取れる振動データ ── これらに対して、物理を組み込んだ AI モデルを設計・実装するのが専門領域です。震源解析、微小地震モニタリング、強震動予測、合成開口レーダーを対象に取り組み、地球観測や地震学の国際誌に成果をまとめています。
Featured Research注目の研究
Continuous Latent Codec · Phase Preservation 連続潜在コーデック · 位相保持
Operational SAR archives demand compression that preserves the interferometric phase information at the heart of every InSAR measurement — a requirement traditional image codecs cannot meet. CIPHER-SAR introduces a phase-aware neural codec validated on real European Space Agency Sentinel-1 SLC data, with held-out generalization confirmed on a temporally distinct acquisition over the same track. 人工衛星 (Sentinel-1) が地球を撮影し続けるレーダー画像は、地表のわずかな動き ── 火山の膨張、地震による地盤変位、地熱貯留層の変化 ── を捉える「位相情報」を持っています。これを残したまま圧縮するのは難しく、普通の画像圧縮では位相が壊れてしまいます。CIPHER-SAR は、欧州宇宙機関 (ESA) の実データで検証された AI 圧縮モデルです。同じ軌道の異なる時期に撮影されたデータでも、性能が落ちないことを確認しています。
The work also reports a substantive negative result on a class of architectures the field had assumed would transfer cleanly from natural-image compression — paired with a positive architectural prescription that does work, and works at the scale and fidelity real Earth-observation pipelines need. 本研究では、「自然画像の圧縮で成功した手法は SAR にもそのまま使えるはず」という業界の前提が成り立たないことを示しました。そのうえで、現実の運用に耐える別のアーキテクチャを提案・検証しています。
Bio-inspired Edge Dynamics · Physics-Embedded Graph Learning 生物模倣のエッジ動力学 · 物理を組み込んだグラフ学習
Slime mould — a single-celled organism with no brain — somehow builds transport networks rivalling the Tokyo subway. The mechanism is embarrassingly simple: tubes carrying more flow grow thicker; tubes carrying less wither away. PhysaNet-GNN takes that one local rule and embeds it directly into a graph neural network, letting the edges of the network strengthen and weaken during inference exactly the way a living colony does. 脳も中央指令系も持たない単細胞生物の粘菌が、なぜか東京の地下鉄網にも匹敵する効率的な輸送ネットワークを作ります。仕組みは拍子抜けするほどシンプルで、「よく流れる管は太くなり、流れない管は細っていく」という、ただそれだけのルール。PhysaNet-GNN は、この生物のたった一つのルールをグラフニューラルネットワークの中に埋め込み、推論中にエッジ (繋がり) が太くなったり細くなったりする、生きた粘菌そのものの挙動を AI に持たせました。
The result: on a 9-class spatial-pattern benchmark, PhysaNet-GNN matches state-of-the-art graph networks while using 66× fewer parameters than a strong CNN baseline — and the parameters it does learn turn out to be biologically interpretable, mirroring the two-phase growth dynamics of a real colony. 結果として、9 クラスの空間パターン分類タスクで、PhysaNet-GNN は最先端のグラフ系 AI と同等の精度を出しながら、強力な CNN ベースラインの 66 分の 1 のパラメータ数で実現しました。さらに学習されたパラメータが、現実の粘菌コロニーの「最初は広く探索し、後で経路を強化する」という二相成長を、そのまま再現していたのが面白いところです。
Geothermal Practice地熱領域
Operating enhanced geothermal systems requires continuous, defensible judgment about when to continue, throttle, or shut down injection in response to evolving seismic activity. Conventional traffic-light schemes rely on fixed magnitude thresholds and miss the subtle build-up patterns that precede damaging events. 地熱発電 (特に EGS = 強化地熱システム) では、地下に水を注入して熱を取り出す過程で小さな地震 (誘発地震) が起きることがあります。この地震活動を見ながら、「注水を続けるか、絞るか、止めるか」を判断するのが運用上の大きな課題です。従来は「マグニチュードがこの値を超えたら停止」という単純な閾値方式が使われてきましたが、被害につながる地震に先行する微細なパターンを見逃しがちです。
IVXA is developing a physics-informed temporal classification system, trained on real induced-seismicity records from multiple international EGS sites, designed to give operators a transparent, site-adaptive risk signal in near-real-time — and to do so in a form auditable to the regulatory bodies that ultimately license continued injection. IVXA では、世界の EGS サイトの実データで学習した、物理法則を組み込んだリスク判定 AI を開発しています。現場ごとに条件が違うことを考慮し、リアルタイムにリスクを判定。判断の根拠が説明可能なので、規制当局や運用責任者にも安心して提示できる形を目指しています。
Other Domainsその他の研究領域
01 / Earth-observation01 / 地球観測
Phase-aware neural codecs and processing pipelines for synthetic aperture radar — built and validated against real European Space Agency Sentinel-1 acquisitions, with held-out generalization studies. 人工衛星のレーダー観測データを、AI で効率よく処理・圧縮する仕事です。欧州宇宙機関 (ESA) の Sentinel-1 衛星の実データで検証し、別の時期のデータでも性能が出ることを確認しています。
02 / Distributed sensing02 / 分散センシング
Machine learning at the scale of distributed acoustic sensing — phase identification, denoising, and event characterization on marine fiber arrays and subsurface monitoring deployments. 分散型音響センシング (DAS) は、光ファイバーを地面や海底に敷いて、振動を細かく観測する技術です。膨大なデータから地震の波を識別したり、ノイズを除去したり、イベントの特徴を解析する AI を作っています。
03 / Seismology03 / 地震学
Physics-aware deep learning for earthquake source mechanisms, real-time ground-motion prediction, and the geophysical interpretability that regulators and operators require to act on AI output. 「地震がどこで、どんな仕組みで起きたか (震源)」の解析と、「揺れがどう広がるか (強震動)」のリアルタイム予測。AI の出力を、規制当局や防災担当者が意思決定に使えるよう、物理的に説明可能な形で返すことを重視しています。
Engagements業務形態
01
Technical consulting技術コンサルティング
Independent technical due diligence on internal AI work, model architecture review, and second-opinion advisory for teams deploying machine learning on geophysical or remote-sensing data. 社内で進めている AI プロジェクトを、第三者の視点から技術評価します。モデル設計の妥当性チェック、地球物理・リモートセンシング分野への機械学習導入に関するセカンドオピニオンとして、ご利用いただけます。
02
Joint & contracted research共同研究・受託研究
Co-authored peer-reviewed publications, multi-month research partnerships with universities and operators, and investigator-grade collaboration on benchmarks and datasets. 大学や事業会社との共同研究・受託研究をお引き受けします。論文を共著で書く、数か月単位のパートナーシップ、ベンチマークやデータセットの整備など、研究者として深く関わる形で協業します。
03
Model development & deliveryモデル開発・納品
Turn-key custom AI pipelines built to publication standard — from data ingestion through training, validation, and a deployable inference surface. Code, weights, and reproducible benchmarks delivered. 用途に合わせてカスタム AI を一式作って納品します。データの取り込みから、学習、検証、運用に使える推論部分まで一貫してご提供。コード、学習済みの重み、再現可能なベンチマークもセットでお渡しします。
Contactお問い合わせ
IVXA accepts a small number of new engagements each quarter, prioritising work where peer-reviewed publication, real-data validation, and operational deployment are all on the table. IVXA は四半期ごとに少数の新規案件のみを受け付けています。査読付き論文化、実データでの検証、運用への展開、この三つが揃って視野に入る案件を優先しています。