Data driven non-equilibrium moist phase exchanges for atmospheric convection within a discontinuous Galerkin model of the compressible Euler equations

大気を、目に見えないシェフたちが絶えず天気を調理している巨大で、うねるようなキッチンだと想像してみてください。このキッチンでは、水は単なる水ではありません。それは、ガス（水蒸気）、液体（雨や雲の粒）、あるいは固体（氷）へと姿を変えることができる「シェイプシフター（変身する者）」なのです。これらの変化こそが、雷雨やハリケーン、あるいは火曜日の穏やかな雨を生み出す「秘密のソース」です。しかし、ここが難しいところです。水がいつ、どのくらいの速さで一つの形から別の形へと変化するかを正確に予測することは、非常に困難です。従来の気象モデルは、この問題を解決するために、複雑な数学の方程式を使用します。それは、調理プロセスのあらゆる小さなステップを計算する、非常に緻密で遅いレシピのようなものです。これらは正確ですが、そのレシピは計算量が非常に多いため、明日（の天気）を予測しようとするスーパーコンピューターの処理を遅らせてしまいます。科学者たちは、物理学の「風味」を損なうことなく、これらの「相変化」をより速く、よりスマートに扱う方法を常に模索しています。

ここで、新しいアプローチが登場します。それは、何千もの料理動画を見て、次のステップを瞬時に推測することを学んだ「料理の見習い」のような存在です。デビッド・リーと、オーストラリア気象局およびオーストラリア国立大学のチームによる最近の研究では、ニューラルネットワークと呼ばれる一種の人工知能を使用して、これらの水の変容を学習する方法を探求しています。重い数学の方程式を毎回解く代わりに、AIは空気の現在の状態（温度、密度、および含まれる水の量）を見て、どれだけの水が雨や氷に変わるべきかを瞬時に予測します。研究者たちは、高解像度の気象モデル（熱帯低気圧をシミュレートしたもの）のデータを用いてこのAIを訓練し、熱力学の法則（熱とエネルギーの法則）を教え込みました。そうすることで、AIが単に推測するのではなく、宇宙のエネルギーバランスを尊重した形で推測できるようにしたのです。その結果、従来のメソッドよりもはるかに速く雲や嵐の形成をシミュレートできるシステムが実現しました。しかも、システムのエネルギーが完全に保たれ、シミュレーションが物理法則を「壊す」ことがないように設計されています。

嵐のレシピ

研究者が何をしようとしたのかを理解するために、まず彼らが解決しようとしている問題を見る必要があります。現実の世界では、暖かい空気の塊が上昇すると、温度が下がります。冷却されるにつれて、その中の水蒸気は液体または氷になろうとします。このプロセスは熱を放出するため、空気がさらに速く上昇するのを促し、強力な上昇気流を生み出します。これが雷雨のエンジンです。

従来の気象モデルにおいて、どれだけの水蒸気が液体に変わり、どれだけが氷に変わるのかを正確に算出することは、非常に厄介な問題です。モデルは、温度と圧力がすべての水相に対して同一であることを保証するために（これは「熱力学的平衡」と呼ばれる状態です）、あらゆる瞬間において複雑なパズルを解かなければなりません。それは、毎秒、天気図のすべてのピクセルに対して、千もの小さな重りを載せた天秤のバランスを取り続けるようなものです。これは正確ですが、特に、あらゆる小さな雲が重要となる「サブキロメートル」規模の細かいスケールで嵐を予測しようとする場合、コンピュータにとって非常に時間がかかり、コストもかかります。

論文の著者たちは、異なる問いを立てました。「もし、毎回重い数学のパズルを解くことなく、これらの変化のパターンをコンピュータに認識させることができたらどうだろうか？」彼らは、ニューラルネットワーク（デジタル脳）を訓練し、水蒸気、液体、氷の間の「質量交換」を学習させることに決めました。ニューラルネットワークを、熟練のシェフ（高度な気象シミュレーターであるLFRicモデル）が6時間料理する様子を見続けてきた学生だと考えてみてください。その学生は単にレシピを暗記したのではなく、料理の「感覚」を学んだのです。空気が冷たく高密度になると、一定量の水蒸気が液体に変わり、さらに少しが氷になるはずであり、その間もキッチンの総エネルギーは一定に保たれるということを学んだのです。

訓練とテスト

研究者たちは、オーストラリアのダーウィンにおける熱帯低気圧のシミュレーションデータを使用して、AIを訓練しました。彼らはニューラルネットワークに、温度、密度、およびさまざまな形態の水に関するデータを入力し、水が一種の形態から別の形態へと変化する速度を予測させました。AIが勝手なことをしないように、彼らは訓練の中に特別な「損失関数（loss function）」を組み込みました。これは、生徒の宿題を採点する厳しい教師のようなものです。教師は2つのことをチェックします。第一に、水の質量に関する計算が合っているか（水が魔法のように消えていないか）。第二に、エネルギーバランスが取れているかです。

ここでの重要な革新は、AIが「熱力学的に整合性を持つ」ように設計されている点です。これは、AIが高速な推測を行っているとしても、エネルギーは生成も破壊もされないというルールに従うことが強制されていることを意味します。もしAIが水蒸気が氷に変わると予測した場合、エネルギー方程式のバランスを保つために、どれだけの熱が放出され、エントロピー（系の乱雑さの尺度）がどのように変化するかを正確に計算しなければなりません。研究者たちは、ネットワークを驚異的な精度まで訓練できることを見出しました。その予測誤差は、ほぼゼロ（約 $6.5 \times 10^{-13}$）でした。この極めて小さな数値は、AIが物理学をほぼ完璧に学習したことを意味しています。

気泡実験

この新しいAI駆動型の手法が、実際の気象シミュレーションにおいて本当に機能するかどうかを確認するため、チームはテストケースを設定しました。彼らは「湿った気泡（moist bubble）」、つまり冷たい大気の中を上昇する温かく湿った空気のポケットをシミュレートしました。彼らはこのシミュレーションを2回行いました。一度は新しいAI手法を用い（これは水相が即座に完全な平衡状態にない状態、すなわち「化学的非平衡」を想定しています）、もう一度は、すべてを完全な平衡状態に強制する従来の遅い手法を用いて行いました。

結果は非常に興味深いものでした。AIを用いたシミュレーションによる気泡は、過去の有名なテストケースと非常によく似た形で上昇し、進化しました。気泡の縁では水蒸気が液体へと、中心部では氷へと着実に変換される様子が見られました。しかし、従来の「平衡」手法を用いたシラレーションでは、気泡はより速く上昇しました。なぜでしょうか？ それは、従来のメソッドでは、水が凍ると同時に、即座に氷になり、膨大な熱を一気に放出すると仮定しているからです。一方、現実世界の「非平衡」な性質を尊重するAIの手法は、より緩やかで現実的な遷移を示しました。水はすぐに氷へと切り替わるのではなく、時間をかけてゆっくりと熱を放出していったのです。

決定的なことに、研究者たちはエネルギーバランスを確認しました。AIによるシミュレーションでは、系の総エネルギーは完全に保存されており、誤差は実質的に存在しないほど微小（$10^{-15}$ のオーダー）でした。これは、AIが単なる素早い推測ではなく、速く、正確で、物理的に誠実な推測であることを証明しています。対照的に、従来の平衡法は、その独自の速さを持っているものの、この特定のテストにおいては熱力学第二法則に違反しており、本来増えるべきエントロピー（乱雑さ）が減少していることを示しました。これは孤立系においては物理的に不可能です。

これが意味すること

この研究は、雲の複雑な化学反応を扱うためにニューラルネットワークを使用することが、気象予測のゲームチェンジャーになり得ることを示唆しています。高解像度データから相変化のパターンを学習することで、AIは、各ステップで複雑な平衡方程式を解くという重い計算コストをかけることなく、非常に細かいスケールで嵐をシミュレートできます。研究者たちは、この手法が物理法則を尊重し、エネルギーをバランスさせ、多くの現在のモデルで使用されている「即時平衡」の仮定よりも、より現実的な結果を生み出すことを見出しました。

これはまだシミュレーションであり、本格的な天気予報ではありませんが、結果は有望です。著者らは、将来的にこのニューラルネットワークが、現実世界の気象モデルにおける重いマイクロフィジックス（微物理学）の計算に取って代わることができると考えています。これにより、コンピュータの動作速度が向上し、より正確で詳細な激しい天気の予測が可能になる可能性があります。また、この研究は、境界条件などの他の要因を含むデータで訓練されたとしても、これらのAIモデルが常に熱力学第二法則を遵守する方法についての道筋も示しています。これは、私たちの気象モデルが単に速くなるだけでなく、よりスマートになり、大気の混沌とした美しい現実により適合していくための、一歩となるでしょう。