成長する豆の茎の高さを測ろうとしている場面を想像してみてください。あなたは定規を手に取りますが、手は少し震えていますし、定規自体にも小さな傷があります。科学や工学の世界では、これを「不確かさ（uncertainty）」と呼びます。通常、こうした揺らぎのある数値を使って計算を行うとき、私たちはそれらを完璧で固形なブロックのように扱います。「5 × 3 = 15」と言うように。しかし現実の世界では、もしあなたの「5」が実際には「5.001」であり、「3」が「2.999」であったなら、答えは正確に15にはなりません。それは「可能性の混沌とした雲」となります。

数十年にわたり、科学者たちはこの混沌を追跡しようとしてきました。ある人々は「区間演算（interval arithmetic）」を用いました。これは「答えは14から16の間にある」と言うようなものです。これは安全ですが、しばしば範囲が広すぎます。まるで「針を探すのに、納屋全体を指定する」ようなものです。またある人々は、標準的な浮動小数点演算を用いました。これは高速ですが、計算がクラッシュするまでその混沌を完全に無視してしまいます。大きな疑問は、単に答えを出すだけでなく、その答えをどの程度信頼できるか、そして計算のステップを進めるにつれてその信頼がどのように変化するかを、正確に教えてくれる数学ができるのか、という点です。これは、測定における小さなミスがいかにして結論における大きなミスへと増幅していくかを理解することに捧げられた分野、すなわち「誤差解析」の領域です。

ここで、Chengpu Wang氏によって提案された「統計的テイラー展開（Statistical Taylor Expansion）」という新しい手法が登場します。この手法を、単に数字を計算するだけでなく、「分布」を計算する魔法の計算機だと考えてください。単なる「5」という数字を入力する代わりに、「揺らぎを伴う5」を入力するのです。この論文は、すべての入力を既知の形状（ベルカーブのような）と特定のサンプル数を持つ確率変数として扱うことで、その揺らぎが計算のあらゆるステップを通じてどのように波及していくかを追跡できると主張しています。最もエキサイティングな部分は、この手法が理論的に「経路独立（path-independent）」であると主張している点です。

なぜこれが大きな意味を持つのか、家から公園まで歩く場面を想像してみてください。森の中を通る曲がりくねった道を行けば、泥だらけになるかもしれません。一方、直線道路を通れば、清潔なままです。従来の数学では、「泥（誤差）」はあなたが選んだ経路に依存します。手順の順序を変えれば、最終的な結果が変わってしまうかもしれません。Wangの手法は、統計的に不確かさを追跡すれば、理論上はその経路が重要ではないことを示唆しています。最終的な「不確かさの雲」は、どのようにそこに到達したかにかかわらず、同じになるはずなのです。しかし、論文では、実用面においては累積的な丸め誤差が依然として演算の順序に依存する可能性があるものの、この手法はそれらを追加の不確かさとして捉えることができると述べています。論文は、このアイデアをテストするための実用的なツールとして「分散演算（Variance Arithmetic）」を紹介しており、これが標準的なコンピュータ・ライブラリに潜むエラーを検出し、行列計算の問題を修正し、さらには変数がどのように結びついているかを無視しているために、一般的な回帰（データへの直線適合）が根本的に欠陥を抱えていることさえ明らかにできることを示しています。

核となる概念：揺らぐ定規

どのように機能するかを詳しく見ていきましょう。論文の中で、著者は単純な概念から始めています。信号とは単なる数値ではなく、「数値 ＋ 揺らぎ」であるという概念です。もし長さを $x \pm \delta x$ と測定した場合、それは単に「5メートルである」と言っているのではなく、「5メートルである可能性が高いが、わずかに大きかったり小さかったりする可能性があり、その可能性の形状はこうである」と言っているのです。

この論文は、「無相関不確かさ条件（Uncorrelated Uncertainty Condition）」と呼ばれるルールに基づいています。テーブルの幅と高さのように、2つの測定値があるとします。幅の揺らぎと高さの揺らぎに全く関係がない（独立している）場合、数学的な処理は比較的単純です。論文はこの性質を利用して、新しい種類の「テイラー展開」を導き出しています。あなたは微積分における古典的なテイラー展開を知っているかもしれません。それは曲線を図形近似するために直線を用い、そこに小さな補正を加えるものです。この新しいバージョンも同様のことを行いますが、単に数値を加えるのではなく、「分散（揺らぎの二乗）」を加算します。

その結果、すべての答えに対して以下の3つの要素を与える公式が得られます：

1. 平均（The Mean）: 最も可能性の高い答え（例：15）。
2. 偏差（The Deviation）: 不確かさの雲の広がり（例：$\pm 0.5$）。
3. 信頼性（The Reliability）: その雲をどの程度信頼できるかを示す0から1のスコア。

「経路独立」の魔法

ここからが、論文の最も大胆な部分です。標準的なコンピュータ数学では、方程式の書き方が重要になります。もし $x^2 - x$ を計算する場合、$x(x-1)$ を計算する場合と、わずかに異なる結果になることがあります。これは「依存性の問題（Dependency Problem）」と呼ばれます。これは、もし2人の異なるシェフに同じ材料を使ってケーキを焼かせ、手順を変えただけで、材料の相互作用を見失ったために、最終的な味に差が出てしまうようなものです。

Wangの手法は、これを「理論的に」解決すると主張しています。あらゆる中間ステップを通じて「揺らぎ」を追跡することで、この手法は、数学的な構成をどのように並べ替えたとしても、最終的な不確かさが同一であることを保証します。論文は、すべての数値を（値, 不確かさ）のペアとして扱うソフトウェア実装である「分散演算（Variance Arithmetic）」を用いて、このことを実証しています。

著者らは、いくつかのトリッキーなシナリオでこれらをテストしました：

• 多項式: この手法が丸め誤差（コンピュータが数値を保存する際に起こす微小なミス）を追跡し、不確かさの境界をタイトに保てることを示しました。
• 行列の逆行列（Matrix Inversion）: これは連立方程式を解く複雑な方法です。論文は、標準的な方法（ガウス消去法）が数値間の依存関係を壊してしまうために誤差を生じさせることを発見しました。直接的な公式を用いる新しい手法は、不確かさを誠実に保持します。
• 高速フーリエ変換（FFT）: 音や画像を周波数成分に分解する超高速な手法です。論文は、サイン（正弦）やコサイン（余弦）関数に関する標準的な数学ライブラリに、隠れた数値誤差が存在し、それが「共鳴（resonance）」パターン（本物のように見える偽の信号）を作り出すことを発見しました。特殊な「クォート・サイン（Quart Sine）」関数と分散演算を用いることで、これらの誤差を特定することができました。

この論文が否定するもの

この論文は、いくつかの「標準的な」慣行に対して非常に批判的です。論文は、ランダムな不確かさに対して「区間演算（Interval Arithmetic）」を使用することに明確に反対しています。区間演算は「答えは14から16の間にある」と言うようなものです。論文は、この手法が誤差を過大評価し、範囲を使い物にならないほど広げてしまう傾向があることを示しています。それは、車が時速55マイルで走っていると分かっているのに、「時速0から100マイルの間で走行している」と言うようなものです。ほとんどの現実世界の誤差は、最悪のケースではなくランダムなもの（コイン投げのようなもの）であるため、区間演算は誤った道具であると論文は示唆しています。

また、論文は「通常の線形回帰（Ordinary Linear Regression）」（データ点に直線を適合させる標準的な方法）が「欠陥がある」とも主張しています。論文は、データ点を不確かさを持つものとして扱う際、標準的な公式は「x」と「y」の値における誤差がどのように結びついているかを無視していると指摘しています。これは、計算された直線が、依存関係を考慮した場合よりも精度が低くなるという「依存性の問題」を引き起こします。論文は、これらの繋がりを考慮した「トータル回帰（Total Regression）」のアプローチを提案していますが、これは計算がはるかに困難であり、多くの場合で単純な閉形式の解を持たないため、結局は欠陥のある通常のメソッドへと妥協せざるを得ないことも認めています。

結論：私たちはどの程度確信できるのか？

著者らは広範なシミュレーションとテストを実施しましたが、その結果は有望であるものの、まだあらゆる状況における「解決済み」の課題ではありません。

• 成功例: 基本的な数学関数（サイン、コサイン、対数など）や行列演算を含むテストにおいて、この手法は「理想的なカバレッジ（ideal coverage）」を達成しました。これは、計算された不確かさが実際の計算結果の広がりとほぼ完全に一致したことを意味します（誤差偏差は約1.0）。例えば、信号にノイズを加えて高速フーリエ変換を実行した際、この手法は誤差の大きさを正確に特定できました。
• 「共鳴」の発見: 論文は、サインおよびコサイン関数に関する標準的なコンピュータライブラリに、小さな系統的誤差が存在することを発見しました。これらの誤差が特定の周波数と相互作用すると、「共鳴パターン」を作り出し、それが実在する信号のように見えることがあります。論文は、これらの誤差は重大であり、標準的な浮動小数点演算はそれらを隠蔽している可能性があると示唆しています。
• 限界: この手法はまだ完璧ではありません。著者らは、対数や累乗のような複雑な関数については、入力の不確かさが十分に小さい場合にのみ数学的に成立すると述べています。もし「揺らぎ」が大きすぎると、補正の級数が発散し、手法は崩壊します。また、多くの項を計算する必要があるため、標準的な数学よりも多くの計算能力を必要とすることも判明しています。
• 信頼レベル: 論文は、これらの知見が「測定およびシミュレーションされた」ものであると提示しています。彼らは単に推測したのではなく、ツールを構築し、数千回のテストを実行し、既知の真理と比較しました。しかし、この手法はまだ「開発の初期段階」にあることも認めています。理論は健全であるが、実用的な実装においては、あらゆる確率分布を扱い、日常的な使用に耐えうる速度を実現するためにはさらなる作業が必要であると示唆しています。

まとめ

この論文は、数学に対する新しい考え方を提案しています。すなわち、「不確かさはバグではなく、機能（feature）である」ということです。すべての数値を可能性の雲として扱い、計算を進める中でその雲がどのように変化するかを追跡することで、単なる数字ではなく、私たちの知識に対する誠実な評価を得ることができます。

著者らは、この「統計的テイラー展開」と呼ばれるアプローチが、「統計的代数（Statistical Algebra）」という新しい数学の枝へとつながる可能性があると考えています。これは、アルゴリズムの書き方、データへの直線の適合方法、そしてコンピュータが提示する数値をどの程度信頼すべきかという、私たちの考え方に再考を迫るものです。これはすべてを一瞬ですべて解決する魔法の杖ではありませんが、計算の信頼性を測定するための厳密で理論的に経路独立な方法を提供し、エンジニアリング設計から科学的発見に至るまで、隠れたエラーから私たちを救い出す可能性を秘めています。コードはオープンソースであり、他の人々がそれをテストし、改善し、そしていつの日か、それが数学の新しい標準となることを期待しています。