Anthropic助成の研究者、AIによる「真の科学モデリング」の道筋を提示

1951年、ケンブリッジ大学のコンピューターが半年間にわたり停止した。生理学者のアンドリュー・ハクスリーはやむを得ず、手回し式の機械式計算機を3週間以上も回し続け、イカの神経細胞が興奮する仕組みを表す方程式を解いた。

ハクスリーと共同研究者のアラン・ホジキンは、実験データに曲線を一致させるため、ある変数をあえて「4乗」した。当時はその理由は不明だったが、数十年後、別の研究チームがカリウムチャネルタンパク質の構造を解明すると、中心孔の周りにまったく同じ4つの部品が並んでいることが判明した。

現代のAIなら、同様の方程式を一瞬で見つけ出し、実験データに完璧に適合させられるかもしれない。しかし11月6日、Anthropicの「AI for Science」助成を受けるテュービンゲン大学およびELLIS研究所のJakob Macke氏、Daniel Gedon氏、Stefan Wahl氏の研究陣は、単なるデータの当てはめは真の科学的理解ではないと指摘した。

割り勘の請求書と「シミュレーション推論」

科学的モデリングは基本的に、モデルの構築、パラメータの制約、結果の解釈という3つの段階を踏む。

研究陣は、パラメータ制約の難しさをレストランの会計に例えている。全員の合計金額が120ドルだと分かっていても、誰が何を注文したかは分からない。全員が並のバーガーを食べたのかもしれないし、1人が高級ステーキとロブスターを頼み、残りはスープだけだったのかもしれない。神経細胞のモデルも同様で、異なるパラメータの組み合わせがほぼ同一の電気信号を生み出すことがある。

AIが単一の「最適解」だけを提示すると、背後にある他の可能性がすべて隠されてしまう。そこで研究陣が提示するのが「シミュレーション推論」（SBI）だ。モデルを10万回から数百万回走らせてデータを生成し、その結果をもとにニューラルネットワークを訓練することで、出力から妥当なパラメータの確率分布を逆引きできるようにする。すでに中性子星の合体位置の特定など、宇宙物理学の現場でも成果を挙げている。

モデルそのものを探索するLLMエージェント

さらに踏み込んだのが、モデルの設計自体をAIに任せるアプローチだ。

現在では、自然言語によるシステムの説明とデータを与えるだけで、LLMエージェントが自らコードを書き、候補となるモデルを構築・修正する試みが登場している。しかしここでも同じ罠が待っている。同じデータに対してAIが異なる2つのモデルを出力した場合、片方だけを選ぶのは誤解を生む。

研究陣は、モデル構築においても「候補モデルの分布」を求めるべきだと提唱する。複数のモデル候補を生成し、データの裏付けや過度な複雑さがないかを評価して淘汰させる。生き残ったすべてのモデルに共通する特徴があれば、それこそが自然の真のメカニズムを捉えている可能性が高い。

なぜ重要か

研究者にとって、このアプローチはAIを単なる「曲線の当てはめ機」から「仮説検証の相棒」へと引き上げる実践的な指針となる。ブラックボックスに頼るのではなく、どのパラメータや数式構造が物理的に不可欠なのかを確率分布として把握できるため、次に行うべき実験の優先順位が明確になる。

業界全体で見ても、AI for Scienceは構造予測などの特化型モデルから、推論と物理シミュレーションを融合させた可解なモデリングへと重心を移しつつある。Anthropicがこの研究を支援している点も、大規模言語モデルを科学的推論の中核に据えようとする同社の意図を示している。

私たちは、この研究陣の視点は極めて健全だと考える。計算の目的は数値そのものではなく洞察を得ることだ。ただ、シミュレーション推論やエージェントの反復実行には依然として膨大な計算資源が必要となる。この高コストなパイプラインをいかに効率化し、一般の研究現場に普及させられるかが今後の課題となるだろう。