Stochasticity and probabilistic trajectory scoring are essential for data-driven closures of chaotic systems

カオス系におけるデータ駆動型の閉鎖モデルが長期的な統計を正確に再現するためには、単一時間ステップの誤差最小化ではなく、軌道全体を考慮した確率的な予測分布のスコアリング（厳密なスコア則）による学習が不可欠であると、この論文は理論的証明と数値検証を通じて示しています。

要約

1. 問題の核心：「見えない部分」のせいで予測が狂う

まず、**「粗視化（こしやか）」**という考え方から始めましょう。
例えば、巨大な気象シミュレーションを動かそうとすると、計算量が膨大になりすぎて、すべての空気の動きを細かく追うことはできません。そこで、細かい動きを無視して、大きな塊（マクロな状態）だけを追うようにします。

• 例え話：
  大勢の人の群れ（気象）を監視するカメラがあるとします。高解像度なら一人一人の動きが見えますが、解像度を下げると「人混みの流れ」しか見えなくなります。
  • 見えているもの（解像された状態）： 人混みの全体的な流れ。
  • 見えていないもの（未解決の状態）： 一人一人がぶつかったり、急に止まったりする細かい動き。

この「見えていない細かい動き」の影響を無視すると、シミュレーションの計算結果はすぐにズレてしまいます。これを**「モデル誤差」**と呼びます。

2. 従来の方法の失敗：「完璧な答え」を求めすぎた

これまでのデータ駆動型の AI 研究では、このズレを直すために**「次の瞬間の答えを、できるだけ正確に当てはめる」**ように AI を訓練していました。

• 従来のアプローチ（決定論的アプローチ）：
  「今、人混みがこう動いているなら、1 秒後は必ず『ここ』に移動するはずだ」という唯一の正解を AI に覚えさせます。

• なぜ失敗したのか？
  実際には、見えていない「一人一人の細かい動き」の影響で、1 秒後の位置は**「どこか」ではなく「確率的に分布する」ものです。
  AI は「正解の 1 つ」に近づけようと必死になりますが、長期的にこれを繰り返すと、「予測の幅（バラつき）」を無理やりゼロにしてしまいます。**

• メタファー：
  川の流れを予測する際、AI は「水は必ずこの石の左側を通る」という唯一の道だけを描こうとします。しかし、実際には水は石の周りで渦を巻いたり、飛び跳ねたりして**「いろんな場所」に広がります。
  AI が「唯一の道」に固執しすぎると、川は「平らで滑らかな水たまり」のように見えてしまい、本当の川が持つ「波や渦」というエネルギーや生命力が失われてしまいます。これを論文では「分散の崩壊（バラつきの消失）」**と呼んでいます。

3. 新しい発見：「確率」を認めることが正解への鍵

この論文の著者たちは、**「正解は 1 つではなく、確率の分布（可能性の広がり）そのもの」**だと気づきました。

• 新しいアプローチ（確率的アプローチ）：
  「1 秒後、水は『ここ』にある確率が 30%、『あそこ』にある確率が 30%……」という**「可能性の広がり（アンサンブル）」**を予測するように AI を訓練します。
• 重要なポイント：
  単に「1 秒後のズレ」を減らすだけでなく、**「長い時間（数週間〜数ヶ月）」**のシミュレーション全体を見て、AI が「自然なバラつき」を維持できているかを評価する必要があります。

4. 実験結果：「確率的な AI」が勝利した

著者たちは、大気や海洋の乱流を模した「準地衡流乱流（じゅいこうりゅうらんりゅう）」という複雑なシステムを使って実験を行いました。

1. 従来の AI（1 秒ごとの正解を追求）：
   • 短期間の予測はそこそこ良いですが、長期的には**「川が平らになりすぎ」**、実際の乱流の激しさが消えてしまいました。
   • 長期的な統計（気候のようなもの）も歪んでしまいました。
2. 新しい AI（確率分布を追求）：
   • 「可能性の広がり」を正しく表現するように訓練した AI は、**「川の流れの激しさ（エネルギー）」や「渦の構造」**を長期間にわたって見事に再現しました。
   • 単に「平均的な答え」を出すのではなく、**「自然な揺らぎ」**を含んだ予測が可能になりました。

5. 結論：何が重要だったのか？

この研究が示した最も重要なメッセージは以下の 2 点です。

1. 「確率的（ランダム性を含む）」であること：
   見えない部分の影響を無視するのではなく、それを「確率」として表現する必要があります。
2. 「軌道（長い時間）全体」で評価すること：
   1 秒ごとの正解を追求するのではなく、長い時間をかけたシミュレーション全体が「自然な統計」を保っているかを評価する必要があります。

まとめのメタファー：
従来の AI は、「完璧なコピー機」を目指していましたが、それは「生きている川」を「写真」に変えてしまい、動きを失わせていました。
新しいアプローチは、「川の流れそのものを再現する」ことを目指し、「予測の幅（バラつき）」こそが、自然の本当の姿であることを認めました。

これにより、気象予報や気候変動のシミュレーションにおいて、より現実的で信頼性の高い未来予測が可能になることが期待されています。

技術概要

論文要約：カオス系におけるデータ駆動型閉包のための確率性と確率的軌道スコアリングの重要性

タイトル: Stochasticity and probabilistic trajectory scoring are essential for data-driven closures of chaotic systems
著者: Martin T. Brolly (University of Edinburgh)
日付: 2026 年 3 月 31 日

1. 問題の背景と定義

複雑な科学・工学システム（特に流体力学や気候科学）において、すべての自由度を解像することは現実的ではありません。そのため、解像された変数（resolved component）のみを扱い、解像されていない変数（unresolved component）の影響を「閉包（closure）」または「パラメータ化」によって近似する必要があります。

• 従来のアプローチの限界:

  • 多くのデータ駆動型閉包モデルは、単一時間ステップ（one-step）の予測誤差（例：平均二乗誤差 MSE）を最小化するようにオフラインで訓練されます。
  • この手法は、解像されたダイナミクスがマルコフ過程であると暗黙的に仮定しており、解像されていない自由度から生じる「非マルコフ的な記憶効果」や「確率的な変動」を捉えきれません。
  • 結果として、短期的な予測精度は向上しても、長期的な軌道統計や定常分布が歪み、物理的に非現実的なバイアスや数値的不安定性を引き起こします。

• 新たな課題:

  • 近年、複数の時間ステップにわたる軌道（trajectory）全体で損失を最適化する「オンライン学習」が注目されています。
  • しかし、著者は**「決定論的な点ごとの距離指標（MSE など）を用いて軌道ベースの訓練を行うこと自体に、数学的な退化（degeneracy）が内在している」**と指摘します。

2. 手法と理論的枠組み

2.1 理論的証明：決定論的損失の退化

著者は、カオス系における粗視化（coarse-graining）が本質的に確率的なダイナミクスを生み出すことを前提に、以下の理論的証明を行いました。

• 命題 1（長期的な MSE 訓練の退化）:

  • 長時間の軌道に対して決定論的な点ごとの損失（MSE など）を最適化すると、予測分散（predictive variance）が抑制される方向にバイアスがかかります。
  • 長期的な時間ステップにおいて、真の条件付き平均は初期条件から独立し、気候平均（climatological mean）に収束します。MSE 損失は、この収束した平均値への誤差と、予測分散の両方を罰則として含みます。
  • 結果として、モデルは分散をゼロに近づけ（変数の崩壊）、気候平均に近い滑らかな状態を予測するように学習され、物理的な変動性が失われます。これは「過剰な平滑化（over-smoothing）」として現れます。

• 命題 2（厳密なプロパなスコアリング則の一致性）:

  • 対照的に、厳密なプロパなスコアリング則（strictly proper scoring rules）（例：エネルギー・スコア）を用いた確率的な訓練は、この退化を回避します。
  • 厳密なプロパなスコアリング則は、実現された軌道そのものではなく、予測分布（forecast distributions）を評価対象とします。
  • 長期的な極限において、この手法はモデルの予測分布を真の不変測度（invariant measure）に一致させるように導き、分散の抑制を罰則として課しません。

2.2 数値実験：準地衡流乱流（Quasi-Geostrophic Turbulence）

理論を検証するため、準地衡流（QG）乱流モデルを用いた数値実験を行いました。

• モデル設定:
  • 高解像度シミュレーションデータを生成し、これを「真の粗視化された状態」として扱いました。
  • 低解像度モデルに対して、モデル誤差を補正する閉包項を学習させました。
• モデル構造:
  • 生成モデル（Generative Model）を採用：$f_m = G_\theta(\hat{x}_n, \xi_n)$。ここで $G_\theta$ は CNN、$\xi_n$ はガウスノイズです。
  • 決定論的閉包: ノイズ入力 $\xi_n$ を除き、点ごとの距離（エネルギー・スコアの決定論的極限）を最小化。
  • 確率的閉包: ノイズ入力を含み、アンサンブル予測を生成。損失関数として**エネルギー・スコア（Energy Score）**を使用。
• 学習戦略:
  • 異なるウィンドウ長（$w$）でオンライン学習を行いました（$w=1$ はオフライン学習に相当）。
  • 検証データを用いて、有限時間の予測技能と長期的な統計的性質を評価しました。

3. 主要な結果

3.1 有限時間予測技能

• 確率的な閉包モデルは、決定論的なモデルよりもすべてのリードタイム（予測時間）において、エネルギー・スコア（予測精度）が有意に優れていました。
• ウィンドウ長を長くする（軌道ベースの学習を行う）ことで、両モデルの性能は向上しましたが、確率的モデルの方が安定して高い性能を示しました。

3.2 定常統計と運動エネルギー・スペクトル

• 決定論的モデルの失敗:
  • 決定論的モデルを長時間の軌道で訓練すると、理論予測通り「分散の崩壊」が発生しました。
  • 運動エネルギー・スペクトルにおいて、小スケール（約 25km 未満）のエネルギーが人工的に減衰し、過剰に平滑化された流れ場となりました。
  • ウィンドウ長が短い場合は数値的不安定性を示し、長い場合は物理的な変動性を失うというジレンマに陥りました。
• 確率的モデルの成功:
  • 確率的な閉包は、ウィンドウ長を適切に設定することで、数値的不安定性を回避しつつ、真の粗視化されたシステムの運動エネルギー・スペクトルを正確に再現しました。
  • 100 年にわたる自由走行シミュレーションにおいても、ジェット気流や渦の coherent structure（コヒーレント構造）と小規模な乱流変動の両方を物理的に現実的に維持しました。

4. 結論と意義

本研究は、カオス系における粗視化モデルのデータ駆動型閉包において、以下の 2 つの要素が独立したオプションではなく、数学的に必須の条件であることを実証しました。

1. 確率性（Stochasticity）の導入: 解像されていない自由度の影響は本質的に確率的であるため、モデルも確率的に表現される必要があります。
2. 軌道ベースの確率的訓練（Probabilistic Trajectory-based Calibration）: 単一時間ステップの決定論的誤差最小化や、決定論的な軌道損失は長期的な統計を歪めます。代わりに、厳密なプロパなスコアリング則（例：エネルギー・スコア）を用いて、有限の軌道全体で確率分布を最適化する必要があります。

意義:

• この知見は、気象・気候モデルのパラメータ化だけでなく、あらゆる低次元モデル（Reduced-Order Models）の構築に適用可能です。
• 決定論的なアプローチが長期的な忠実度（fidelity）を失う根本的な理由を数学的に解明し、確率的生成モデルと適切なスコアリング則の組み合わせが、統計的に忠実なモデル構築の鍵であることを示しました。
• 近年の気象予測 AI（GraphCast など）で見られる「分散の喪失」現象が、単なる工学的な選択ではなく、問題構造に起因する必然的な帰結であることを説明し、確率的・生成モデルへの移行の理論的根拠を提供しました。