何を予測する研究なのか
気候や流体のように時間とともに状態が変わる系では、小さな変化が積み重なり、急な転換につながることがあります。Caltechやコロラド大学ボルダー校、NVIDIAなどの研究者がPNASで発表したのは、こうした転換点が起きる時期を予測する機械学習の方法です。
中心となるrecurrent neural operator(RNO、再帰型ニューラルオペレーター)は、過去の状態を内部に記憶し、空間分布など関数の時間変化を学ぶモデルです。チームは転換前のデータのみでRNOを学習させ、将来のデータを正解として使わずに転換を見つける手法を組み合わせました。
物理法則からのずれを転換の兆候に
モデルが予測した状態が、保存則や偏微分方程式などの物理制約にどれだけ合わなくなるかを測り、通常の範囲を超えるずれを転換点の兆候とみなします。論文では、ずれの分布から予測の不確実性を見積もるconformal predictionも使いました。
すべての方程式が分からなくても、部分的または近似的な物理制約から予測できるかを調べた点が特徴です。評価にはLorenz-63やKuramoto–Sivashinskyなどの数理モデルのほか、雲と翼のシミュレーションが含まれます。
層積雲のシミュレーションでは約2.5年前に予測
気候に関する実験では、二酸化炭素の増加に伴って海上の層積雲が急減するモデルを対象にしました。PNAS論文は、シミュレーション上の転換点をほぼ2.5年前から予測し、時期の誤差は10日だったと報告しています。Caltechの発表では「2年以上前」「約11日の誤差」と説明されています。
ここで扱っているのは、低層雲の急減を示すシミュレーションです。実際の地球でこの転換が起きたことを観測したり、現実の気候を予報したりした結果ではありません。Caltechも、想定する雲の転換はまだ観測されていないと明記しています。
翼まわりの流れでも転換を検証
もう一つの対象は、翼の周囲にできる流れです。流れが変わり、揚力が急に落ちる失速や後流の変化を、数値シミュレーションで予測しました。チームは、支配方程式をすべて与えず、流れの発散がゼロになるという制約だけを使う実験も行っています。
論文によると、レイノルズ数1,000の軌跡で学習したモデルが、学習時に見ていない5,000の条件でも失速点を予測しました。これは計算機上のテストであり、実際の航空機の安全性を評価したものではありません。
実用には現実のデータでの検証が必要
研究が示したのは、物理制約からのずれを使うことで、転換後のデータがない条件でも、複雑なシミュレーションに予測を適用できる可能性です。雲モデルで長い先行時間を報告した一方、現実の気候変動に対する早期警報の実用性を確かめたわけではありません。
実際の観測データでも同じ精度が出るのか、物理制約の選び方が変わっても性能が保たれるのかは、次に検証が必要な点です。現段階では「AIが気候の転換点を何年も前に予報できる」と一般化するのは早いでしょう。
まとめ
シミュレーションで得られた精度を、現実の観測データでも再現できるかが今後の課題です。物理制約の選び方による性能の違いも、確かめる必要があります。
情報源
https://www.pnas.org/doi/10.1073/pnas.2600331123
原文公開日:2026-10-15
https://www.caltech.edu/about/news/forecasting-tipping-points-with-ai
原文公開日:2026-10-15
出典は上記のリンクから確認できます。発表元の説明と、編集部による分析・試算は本文中で区別しています。