First passage time in space-dependent stochastic resetting

私たちは毎日、何かを探しています。散らかったテーブルの上で鍵を探したり、混沌としたフォルダの中から特定のファイルを探したりします。自然界においても、この探索は絶えず、しばしば大きな緊急性を伴って行われます。私たちを生かしている微小な生物学的機械である酵素は、自らの仕事を遂行するために、DNAの鎖上の特定の部位を見つけ出さなければなりません。デジタル領域では、コンピュータのアルゴリズムが、顔を認識するためのニューラルネットワークの訓練であれ、配送ルートの最適化であれ、問題に対する最善の解を探索します。これらの探索が完璧であることは稀です。時には、探索者が行き止まりに陥り、真の目標がすぐ丘の向こう側にあるにもかかわらず、局所的な低点をぐるぐると回り続けてしまうことがあります。この研究を突き動かす問いは、単純でありながら深遠です。すなわち、「探索をやめて、最初に戻り、やり直すことが、果たして役に立つことがあるのだろうか？」という問いです。

この問いは、膨大な数の微小な粒子がどのように動き、相互作用するかを研究する統計物理学の分野に属しています。この分野の鍵となる概念は、拡散、つまり他の分子に衝突しながら粒子がランダムに彷徨う現象です。粒子が重力や電場などの力によって押し流されている場合、それはドリフト（漂流）していると言われます。もしその力が、丘や谷からなる景観（ランドスケープ）によるものであれば、粒子は自然と最も低い地点へと転がり落ちていきます。しかし、もしその景観が複雑であれば、粒子は最も深い谷ではなく、小さな窪みに閉じ込められてしまう可能性があります。科学者たちは、彷徨う粒子を一定の割合でランダムに開始地点へとリセットさせると、永遠に彷徨い続けるよりも、実際にターゲットを早く見つけられるようになることを古くから知っています。「確率的リセット（stochastic resetting）」として知られるこの直感に反するアイデアは、少しの「忘却」が、発見のための強力なツールになり得ることを示唆しています。

最近の研究において、チェコ技術大学（プラハ）とトゥルーズ大学の研究者たちは、このリセット戦略をいかにしてよりスマートにするかを模索しました。リセットを単一の不変の割合で行う代わりに、彼らは「リセットの割合が粒子の位置に応じて変化した場合、何が起こるか」を問い直しました。霧の深い森の中でキャンプ地を探しているハイカーを想像してみてください。ゴールから遠いとき、ハイカーは目的もなく彷徨っているかもしれません。しかし、目的地に向かって地面が緩やかに傾斜しているのを感じるなど、ゴールに近づいていることを察知した場合、ハイラーはリセットをやめて歩き続ける決断をするかもしれません。研究者たちは、丘や谷を持つ景観（中には滑らかなものだけでなく、鋭く尖ったものもある）の中を移動する粒子を記述する数学を用いて、このシナリオをモデル化しました。彼らは、ターゲットの近くではリセット率を下げ、遠くにいるときはリセット率を上げるという「スマートな」リセット率が、一定で無意識なリセットよりも優れた性能を発揮できるかどうかを検証したのです。

チームは2種類の景観に焦点を当てました。第一のものは、物理学における古典的な形状である、滑らかでボウル状の谷です。第二のものは、深いグローバルな谷と、その近くにある浅いローカルな谷を持つ、より困難でギザギザした景観です。この第二の形状は、コンピュータモデルの誤差を表す「景観」において、エラーが最小となる点を見つけ出すことが目標となる現代の機械学習において、特に重要です。これらの複雑な地形において、アルゴリズムはしばしば浅いローカルな谷に捕らわれ、そこから這い上がって深いグローバルな谷に到達することができなくなります。研究者たちは、仮想的な粒子に対して次のようなルールを導入しました。もし地面の傾斜が急であれば（これは粒子が平坦な場所から遠いことを示します）、特定のレートでリセットを行います。もし傾斜が緩やかであれば（これは粒子が平坦な場所やターゲットの近くにいることを示唆します）、リセット率を変化させます。

彼らの計算は、明確なパターンを明らかにしました。粒子がターゲットから遠いときには、高いリセット率が、行き止まりから脱出し、新しい経路を試みる助けとなりました。しかし、一度粒子が地面が平らな領域や傾斜が緩やかな領域に入ると（これは解の近くにいることを示唆します）、リセット率を下げることが有益であるという結果が出ました。これらの「静かな」ゾーンではリセットの頻度を減らすことで、粒子は開始地点に蹴り戻されることなく、ターゲットにより近づくことができるのです。この研究は、空間依存型の戦略（ターゲット付近でリセット率が低くなる戦略）が、単一の一定のリセット率を使用する場合と比較して、平均的な発見時間を一貫して短縮することを示しました。これは、滑らかな景観においても、現実世界の最適化問題を模したギザギザの景観においても同様でした。

研究者たちはまた、環境が非常に「ノイジー（騒がしい）」である場合、つまり粒子のランダムな震えがターゲットへ引き寄せる力に対して強い場合、何が起こるのかについても調査しました。このような高ノイズ条件下では、リセットの恩恵はさらに顕著になりました。ノイズが低すぎる場合、粒子はリセットを必要とせずに自力でターゲットを見つけることができますが、ノイズが増加するにつれて、特定のゼロではないリセット率が最も効率的な探索方法になることが分かりました。さらに、可変リセット率を用いる利点は、ノイズレベルが高いときに最も大きくなることも発見されました。これらの混沌とした条件下では、ターゲット付近でリセットプロセスを遅らせる能力が、効率性に大幅なブーストをもたらしました。

数学的な予測を確認するために、チームは数千回のコンピュータ・シミュレーションを実行しました。彼らは粒子の旅のデジタル版を作成し、時間を微小なステップに分割し、モデルのルールに従って粒子を移動させました。彼らは滑らかな景観とギザギザの景観の両方を用いて、異なるノイズレベルと異なるリセット戦略でシミュレーションを行いました。結果は理論とほぼ完璧に一致しました。シミュレーションにおいて、ターゲットに近いときにリセットを少なくするという戦略は、一貫して目標の発見を早めました。唯一の小さな違いは、ギザギザの景観において、シミュレーションでの改善が理論の予測よりもわずかに劇的であったことですが、これはおそらくコンピュータが粒子の到着を測定する方法に起因しています。このことは、複雑な問題が存在する現実の乱雑な世界においては、このようなスマートなリセット戦略の恩恵が、数式が示唆するものよりもさらに大きい可能性があることを示唆しています。

これらの知見は、探索アルゴリズムを設計するための新しい視点を提供します。数十年にわたり、最適化手法は固定されたルールや単純な調整に依存してきました。本研究は、リセットの頻度を探索の局所的な条件に結びつけるという、より微細なアプローチが、はるかに効果的である可能性を示唆しています。つまり、アルゴリズムが解に近いと感じたときには、開始地点に唐突に引き戻されるのではなく、その領域に留まってより徹底的に探索することを許容すべきであるということです。逆に、探索が明確な方向性のない混沌とした領域を彷徨っているときは、高い頻度のリセットが、そこから脱出する助けとなります。本研究は特定の数学的な形状と1つまたは2つの次元に限定されていますが、その原理は堅牢であるようです。研究者たちは、地形が未知であり絶えず変化している現実世界の課題にこれを適用するには、「傾斜」をリアルタイムで推定する新しい方法が必要になると指摘しています。それでもなお、核心となるアイデアは揺るぎません。いつ立ち止まり、いつやり直すべきか、そしていつ進み続けるべきかを知ることは、探し求めているものを見つけ出すための根本的な要素なのです。