AIで「ブラックスワン」災害を予測、少量のデータで巨大波やパンデミックを検知

突発的な巨大波や感染症の急激な感染爆発といった破局的災害は、これまで予測が極めて困難な領域とされてきました。

こうした「ブラックスワン」と呼ばれる事象は、発生頻度が極端に低いため、AI の学習に欠かせない過去データがほとんど存在しません。従来の物理方程式に基づくシミュレーションも、わずかなノイズで破綻するか、現実の複雑な物理法則そのものが解明されていないため、無限に広がる干し草の山から針を探すような状態でした。

学術誌『Nature Computational Science』に掲載された研究は、この袋小路を打ち破る新たなアプローチを提示しています。バイエル・クロップサイエンスなどの研究チームは、ベイズ統計と「DeepONet」と呼ばれるディープニューラルネットワークを融合させ、ごく少量の精選されたデータから極端な危機を高精度に予測する手法を確立しました。

複雑な物理式を回避する「並列ネットワーク」

筆頭著者のイーサン・ピッカリング氏によれば、現実世界の複雑な系を司る支配方程式はノイズに弱く、実務での運用がほぼ不可能でした。一方で、一般的な AI を動かすには膨大なデータが必要です。

そこで研究チームは、事前知識を活用して不確実性を評価する「ベイズ推論」を導入しました。データの「量」を追うのではなく、予測に最も有効なデータ点を厳選して「質」で補う戦略です。

モデルの中核には、2 つのニューラルネットワークを並列処理させる「DeepONet」という深層ニューラルオペレーターを採用しました。この構造により、物理系の挙動を効率的に学習しつつ不確実性を正確に数値化できるため、わずかなサンプルでも安定した推論が可能になります。

巨大波から船体破断の瞬間まで検知

チームがこの手法をさまざまな災害シナリオで検証したところ、従来の物理モデルを大きく上回る成果が出ました。

具体的には、パンデミックにおける感染者数の危険な急増リスクを推定したほか、一見穏やかに見える波がいつ巨大な危険波へ急変するかを特定することに成功しました。さらに、強い応力を受けた大型船が真っ二つに割れるタイミングの算出にも成果を上げています。

研究チームは今後、エルニーニョ現象が引き起こすハリケーンの激甚化など、気候変動に伴う極端気象の予測や被害軽減シナリオの策定にこの手法を応用していく方針です。

なぜ重要か

この研究の最も見事な点は、「AI には膨大なビッグデータが必須」という固定観念を覆した点にあると私たちは考えます。

防災機関や気象予測の現場、海運業界にとって、めったに起きないブラックスワン事象を数式頼みではなく、少量の高品質データで捉えられる道が開かれた意義は小さくありません。

科学向け AI（AI for Science）の観点でも、物理駆動モデルの脆弱さとデータ駆動モデルのデータ不足という双方の弱点を、ベイズ推論と DeepONet の組み合わせで見事に調和させています。

ただし、あらゆる異常気象を即座に予知できるわけではありません。現実の地球環境は極めて複雑で、たとえ必要なデータ量を減らせたとしても、その検証データを現場で揃えるハードルは依然として残ります。実用的な早期警戒システムとして機能させるには、現場の高度なドメイン知識とのすり合わせが不可欠になりそうです。