技術的概要：OceanCBM

問題定義

海洋熱波（MHWs）などの極端な海洋現象を予測することは、高い予測精度を達成しつつ、メカニズムの解釈可能性を維持するという二重の課題を伴う。近年の機械学習（ML）モデルは海洋状態の予測において優れた技能を示しているが、それらはしばしば「ブラックボックス」として機能し、背後にある物理的駆動力ではなく、偽の相関を学習する傾向がある。物理を ML に組み込む既存のアプローチは、明確な限界を持つ 2 つのカテゴリーに分類される。

1. 物理情報ニューラルネットワーク（PINNs）： これらは動的制約を直接強制するが、硬直的すぎるため、歴史的記録外の領域へ一般化できず、物理的に誤った偽の解に収束する可能性がある。
2. 事後説明可能性（XAI）： これらの手法は訓練済みモデルを分析して入力への依存性を決定するが、モデルが物理法則に従って訓練されたことを保証するのではなく、モデルが「何をしたか」を説明するに留まる。

したがって、特に MHWs の駆動力（表面だけでなく混合層で発生する）を理解することが生態学的および社会経済的予測にとって不可欠である時空間海洋力学において、予測技能と保証された物理的忠実性の両方を両立させるフレームワークが欠如している。

手法：OceanCBM

著者らは、時空間海洋物理予測のために設計された最初の概念ボトルネックモデル（CBM）であるOceanCBMを導入する。このモデルは、解釈可能な概念の中間層を介して予測をルーティングすることで、MHWs の重要な前兆である**混合層熱含量（MLHC）**を予測するように設計されている。

データと入力

• データセット： このモデルは、1/4°分解能で 1979 年から 2018 年までの月次平均海洋フィールドを提供する Ocean Reanalysis System 5（ORAS5）を利用する。特筆すべきは、著者らが単一の制御メンバーやアンサンブル平均に依存するのではなく、内部変動とデータの不確実性を捉えるために、ORAS5 の5 つのアンサンブルメンバーすべてを独立した訓練サンプルとして活用している点である。
• 入力： モデルは、北大西洋盆地における 12 の空間的に集約された 2 次元物理変数（例えば、海面高度、東西/南北方向流速）の 6 ヶ月のコンテキストウィンドウ（$t-6$から$t-1$）を処理する。
• 前処理： データは長期的な温暖化トレンドではなく、気候学的変動に焦点を当てるためにトレンド除去が行われる。

アーキテクチャ

OceanCBM は、5 つの U-Net ベースのアーキテクチャのアンサンブルを採用する。ワークフローは以下の通りである。

1. エンコーダ： 畳み込み、バッチ正規化、ReLU、最大プーリングを用いた 4 つのダウンサンプリング段階（チャネル数：64、128、256、512）を持つ標準的な U-Net エンコーダ。
2. 概念ボトルネック： エンコーダの出力は、2 種類の概念を含むボトルネック層を通過する。
   • 規定された概念： 地球物理流体力学から導出された 4 つのフィールド：(1) 熱フラックスのエントレーンメント、(2) 垂直シアー、(3) 浮力周波数、(4) 混合層深度（MLD）の傾向。
   • 自由概念： 規定されたセットで表現されていない残りの物理過程を捉えるように設計された、単一の制約のないフィールド。
3. デコーダ： U-Net デコーダが空間フィールドを再構築する。
4. 出力ヘッド： モデルは 2 つの出力を生成する。予測された概念フィールド（規定されたもの＋自由なもの）と、最終的なターゲット（MLHC）である。MLHC の最終予測は、概念表現の線形結合である。

訓練戦略

このモデルは、重み付けされた損失関数を用いた混合監督で訓練される。
$$L_{combined} = \lambda L_{concept} + (1 - \lambda)L_{pred}$$

• 適応的$\lambda$スケジュール： 訓練は初期に物理的概念の学習を優先するため$\lambda = 0.8$で開始し、100 エポックかけて$\lambda = 0.2$まで指数関数的に減少する。これにより、ボトルネックが物理的に意味のある表現を確立しつつ、訓練全体を通じて一定の概念監督を維持することが保証される。
• アンサンブル： 学習されたメカニズム的経路の堅牢性と一貫性を評価するために、5 つのモデルが独立したランダムな重み初期化で訓練される。

主要な貢献

1. 海洋物理における最初の時空間 CBM： OceanCBM は、CBM フレームワークを複雑で連続的な時空間データに拡張し、MLHC の解釈可能な予測と MHW 駆動力のメカニズム的検証を可能にする。
2. 自由概念を備えたハイブリッド監督： 著者らは、規定された物理的概念と「自由」な概念を組み合わせた新しいボトルネックアーキテクチャを提案する。この自由概念は二重の役割を果たす。
   • 規定された概念のための正則化器として機能する。
   • 規定されたセットでカバーされていない残りの物理過程や創発現象を捉え、モデルが過度に制約されるのを防ぐ。
3. 一貫したメカニズム的学習の証明： 本研究は、混合監督がアンサンブルメンバー間で一貫したメカニズム的表現をもたらすことを示しており、一方、ベースライン（予測のみ、または規定のみ）は同様の予測性能を示しながらも、非常に可変的な潜在構造を学習する。
4. 実世界事例研究： このフレームワークは 2012 年のメーン湾 MHW に適用され、既知の物理的駆動力を正常に回復し、イベントの発生に関するメカニズム的洞察を提供した。

結果

予測技能

• 精度： OceanCBM は、季節を問わず MLHC 予測において0.91–0.92の異常相関係数（ACC）を達成し、これは「予測のみ」のベースライン（概念ボトルネックなし）および「規定のみ」のベースラインと統計的に区別できない。これは、解釈可能性の制約を導入しても予測技能が犠牲にならないことを示している。
• 概念予測： モデルは規定された概念（例えば、夏季の熱フラックス・エントレーンメントの ACC が 0.77、浮力周波数の ACC が 0.81）を正常に予測し、モデルが意味のある表現を学習していることを示している。

メカニズム的一貫性

• アンサンブル変動性： 概念から最終的な MLHC 予測へ接続する線形重みを分析すると、
  • 予測のみのモデルは、アンサンブルメンバー間で潜在表現に高い変動性を示し、一貫した学習戦略を識別することが不可能である。
  • 規定のみのモデルは、特定の概念（例えば、垂直シアー）に不整合に依存する傾向がある。
  • OceanCBMは、異なるランダム初期化において規定された概念と自由な概念を重み付ける方法において、著しく高い一貫性を示し、混合監督アプローチがモデルを安定した物理的に意味のある経路へ導くことを示唆している。

自由概念の役割

• 残差チャネル： 自由概念は、規定された概念がターゲットから乖離する動的に活発な領域（例えば、メキシコ湾流、ラブラドール海流）において予測構造を捉える。
• 正則化： 実証結果は、自由概念の存在が垂直シアーのような困難な概念の予測を改善することを示している（例：冬季において、OceanCBM は規定のみのモデルと比較して ACC が 0.53 から 0.60 に増加）。これは、残差変動を吸収する構造化された正則化器として機能する。

事例研究：2012 年メーン湾 MHW

2012 年のイベントの回顧的分析は以下のことを明らかにした。

• 発生メカニズム： モデルはイベント以前に MLHC と浮力周波数の正の異常（強化された成層を示す）を特定し、これが表面付近に熱を閉じ込めた可能性を示した。
• 駆動力： 分析は、イベントが大気熱フラックスの異常と熱の保持によって主に駆動されたことを確認し、先行文献と一致した。同時に、熱を維持する地下過程の役割も強調した。
• 生態学的整合性： 予測された暖かい混合層条件は、ロブスターの漁獲量の増加や北方エビの減少など、記録された生態学的影響と一致していた。

意義と主張

本論文は、OceanCBM が高リスクの科学分野における予測性能と解釈可能性のトレードオフを成功裏に解決したと主張する。自由概念を備えた混合監督を統合することで、このフレームワークは以下の点を実現する。

• 制約と柔軟性のバランス： 既知の物理へモデルを導きつつ、硬直的に過度に制約することなく、未知または未解決のメカニズムの発見を可能にする。
• 信頼性の確保： モデルがメカニズム的駆動力を一貫して学習する経路を提供し、誤った理由（偽の相関）で正しく予測するリスクを低減する。
• 新たなパラダイムの提示： 「ソフト」な物理構造とアンサンブル手法の組み合わせが、初期化に対して堅牢で、変化する気候における極端現象の診断に適した解釈可能な表現をもたらすことを実証する。

著者らは、このアプローチが複雑な動的過程の解釈可能な表現を学習するための確固たる経路を提供し、より広範な地球システムモデルへの転用可能性を有すると結論付けている。