生成AIで気候シミュレーションを25倍高速化：78時間から3時間未満へ短縮

地球全体の気候を10年分シミュレーションするには、従来の物理モデルだとスーパーコンピュータを3日以上フル稼働させる必要がありました。この計算時間を生成AIが一気に短縮しました。

アレン人工知能研究所（Ai2）とカリフォルニア大学サンディエゴ校の研究チームは、生成AIを活用した新たな気候モデリング手法を発表しました。米国で運用されている気象予測モデル「FV3GFS」のシミュレーションデータをもとに学習したもので、従来の物理ベースモデルで約78時間4分かかっていた10年分のシミュレーションを、わずか2時間56分で完了させました。計算速度は約26.6倍に向上し、消費電力も大幅に削減されています。

球面上で動く拡散モデル

今回の手法は、物理方程式を直接モデル内部に組み込んだハイブリッド型ではありません。物理法則はあくまで訓練データを通じてAIが学習する純粋なデータ駆動型モデルです。

コア技術は「Spherical DYffusion」と呼ばれるアーキテクチャです。画像生成のStable Diffusionやタンパク質構造予測のAlphaFold 3のように、ノイズから段階的に予測を生成していく拡散プロセスを採用しています。

従来の気候予測で使われる平面格子を地球に当てはめると、北極や南極で座標の歪みが生じ、膨大な計算負荷がかかります。研究チームは球面に特化した畳み込み演算を最適化し、回転等変性を保ちながら全球パターンを直接処理できるようにしました。これにより、標準的な拡散モデルに比べて約25分の1の計算リソースで安定した予測を可能にしています。

高速化と引き換えの精度低下

OpenReviewで公開された論文によると、計算効率の劇的な向上の一方で、明確なトレードオフも存在します。

予測対象となった34の気象フィールド全体で、気候バイアスは従来の物理モデルと比べて平均約50%高くなりました。特に大気力学が複雑な高高度領域や極地では、精度の乖離がさらに広がっています。

アンサンブル平均をとることでこのバイアスを29.28%削減できるものの、依然としてFV3GFSの理論上の最小不確実性には届いていません。また、現在のモデルは固定された温室効果ガス濃度と毎年繰り返される海水温データに依存しているため、現時点では温暖化シナリオのシミュレーションには使えません。

なぜ重要か

気候研究者や防災計画の担当者にとって、10年規模のシミュレーションが3時間足らずで終わる価値は絶大です。異常気象の発生確率を調べるには何十回、何百回ものアンサンブル予測が必要になりますが、従来のコストでは一部の巨大研究機関しか実行できませんでした。

ただし、今すぐこのモデルを政策決定や防災計画の根拠に使うのは時期尚早だと考えられます。物理法則そのものを厳格に解いているわけではないため、バイアスが50%高い状態では局所的な異常気象を見誤るリスクが残ります。

それでも、球面上に最適化した拡散モデルの有効性を示した意義は大きいです。スーパーコンピュータを完全に置き換えるのではなく、まずはAIで無数のシナリオを高速にスクリーニングし、怪しいパターンだけを物理モデルで精密検証するという役割分担が進むと見られます。