あなたは、謎を解こうとしている探偵だと想像してください。しかし、あなたは決して犯人の姿を見ることはできません。手元にあるのは、現場に残された手がかりだけです。泥のついた足跡、割れた窓、あるいは奇妙な臭い。現実の世界でも、科学者たちは日々、まさにこれと同じ問題に直面しています。彼らは宇宙がどのように機能しているかという理論（犯人）を持っていますが、観察できるのはその理論が生み出すデータ（手がかり）だけなのです。この課題は、手がかりから理論へと逆方向に遡って考えることです。これは「逆問題」と呼ばれます。

通常、科学者は「順方向のマッピング」、つまり、もし理論が真実であればどのような手がかりが期待できるかを教える一連のルールを持っています。しかし、多くの場合、これらのルールはあまりに複雑で乱雑なため、単純な数学の方程式として書き出すことができません。代わりに、彼らは巨大で複雑なコンピュータ・シミュレーションを実行して、何が起こるかを確認しなければなりません。ここで問題が発生します。もし数式を書くことができなければ、標準的な探偵の道具を使って事件を解決することは容易ではありません。何度も推測を繰り返し、シミュレーションを100万回実行し、運良く当たることを祈るしかないかもしれません。これは時間がかかり、コストも高く、しばしば不可能なことです。

ここに、新しい種類の探偵が登場します。機械学習です。AI探偵は、新しい手がかりが現れるたびに数学のパズルを解こうとするのではなく、コンピュータによって生成された何百万もの「偽の犯罪現場」を研究することで、手がかりのパターンを学習します。彼らは、ある手がかりを見た瞬間に、犯人がどのような姿をしているかを即座に推測することを学ぶのです。SciPost Physics Community Reportsに掲載された「機械学習を用いたベイズ的および頻度主義的なシミュレーションに基づく推論への導入」という新しい論文は、これらAI探偵のための親しみやすいガイドブックとして機能しています。この論文は、彼らをどのように教え、どのように信頼し、そして彼らが単に作り話をしていないことをどのように確認するかを説明しています。

真実についての2つの考え方

AIに出会う前に、科学者が通常「真実」についてどのように考えるか、その2つの異なる方法を理解する必要があります。論文では、2つの主要な学派があることが説明されており、AIはそのどちらを使っているのかを知る必要があります。

第一の学派はベイズ派です。あなたが謎の箱の重さを当てようとしていると想像してください。あなたには過去の経験に基づいた直感があります（例えば、猫のように感じられるので、おそらく10ポンド程度だろう、など）。この直感はあなたの「事前分布（プライア）」です。次に、新しい手がかりを得ます。箱が鳴きました。あなたは直感を更新します。この直感と新しい手がかりを組み合わせることで、「事後分布（ポステリア）」としての信念を得ます。この観点では、箱の本当の重さは少し曖昧なものであり、手がかりを集めるにつれて確信が高まっていく範囲の可能性となります。これは、天文学のように、星を一度しか観測できない場合など、手がかりが非常に少なく、背景知識が多い場合に適しています。

第二の学派は頻度主義です。あなたは法廷の裁判官だと想像してください。あなたは被告に関する直感には関心がありません。あなたが関心があるのは証拠だけです。もし、異なる陪審員を用いてこの全く同じ裁判を100万回行ったとしたら、あなたの判決は95%の確率で正しかったでしょうか？ この観点では、箱の本当の重さは（たとえそれが分からなくても）単一の固定された数値であり、私たちの仕事は、最も高い確率で真実に到達できる数値の範囲を見つけることです。これは、実験を何百万回も繰り返し、自分たちが騙されていないことを絶対的に確認したい粒子物理学などで採用されている手法です。

論文は、新しいAI手法がこれら両方の学派のルールに従うことができることを示しています。

AI探偵：シミュレーションからの学習

では、AI探偵はどのように機能するのでしょうか？ 論文では、**シミュレーションに基づく推論（SBI）**と呼ばれるプロセスについて説明しています。

伝統的に、科学者がモデルのパラメータを見つけたい場合、「もしパラメータがXならば、データはYのようになる」という公式を必要とします。しかし、多くの場合、その公式を書き下すことは困難です。彼らが持っているのは、パラメータを入力するとデータを吐き出す「ブラックボックス」としてのシミュレーターだけです。

論文では、ブラックボックスを逆エンジニアリングしようとする代わりに、ニューラルネットワーク（一種のAI）を逆エンジニアリングの役割として訓練できると説明しています。その仕組みは以下の通りです：

1. 訓練フェーズ： シミュレーターを数百万回実行します。ランダムにパラメータを選び、シミュレーションを実行し、（パラメータ、データ）のペアを保存します。これを何度も繰り返し、膨大な「偽の犯罪現場」とその犯人のライブラリを作成します。
2. 学習フェーズ： このライブラリをAIに投入します。AIはデータとパラメータの関係を学習します。AIは、「このようなデータを見たとき、パラメータはおそらくこれであった」と言うことを学びます。
3. 推論フェーズ： さて、現実世界の新しいデータが得られたとき、科学者はもうシミュレーターを再実行する必要はありません。学習済みのAIにデータを入力するだけで、ほら――AIが即座に答えを出してくれます。

論文では、AIがこの関係を学習する3つの主要な方法を強調しています。

• ニューラル事後分布推定（NPE）： AIは、あらゆる答えの可能性の地図を描くことを学びます。単一の数値を与えるのではなく、犯人がどこに隠れている可能性が高いかを示す「可能性の雲」を描きます。
• ニューラル尤度推定（NLE）： AIは、特定のパラメータがそのデータを生み出す確率がどの程度であるかを予測することを学びます。
• ニューラル比推定（NRE）： 全体の地図を学習する代わりに、AIは2つのものを比較することを学びます。「このデータは、容疑者Aから来る可能性が高いか、それとも容疑者Bから来る可能性が高いか？」という問いに答えます。これは、各試合の正確なスコアを知る必要なく、どちらのチームが優れているかを判断するレフェリーのようなものです。

「アモルタイズ（償却）」された利点

論文が指摘する最も興味深い概念の一つは、「アモルタイズド推論（償却推論）」です。これは、自転車の乗り方を学ぶことに似ています。初めて挑戦するときは、転んで起き上がるのに何時間もかかります（訓練フェーズ）。しかし、一度習得してしまえば、どこへでも即座に行けるようになります。

伝統的な科学では、新しい手がかりを得るたびに、答えを導き出すために何千ものシミュレーションを最初からやり直さなければなりません。このAI手法を用いれば、最初に「学習コスト」を一度支払うだけで済みます。その後は、100万もの異なる手がかりを瞬時に分析できるのです。これは、毎秒何百万ものデータポイントを生成する粒子物理学のような分野において、ゲームチェンジャーとなります。

「落とし穴」：検証と限界

論文は、「AIは魔法である、盲目的に信じよ」とは決して言っていません。実際、論文の大部分は検証（バリデーション）、つまり「AIが幻覚を見ているのではないことをどうやって知るのか？」という点に割かれています。

AIは偽のデータで訓練されているため、偽のデータに対しては非常に優れた予測ができても、現実世界の奇妙なものを見たときに失敗する可能性があります。著者らは、AIをテストするためのいくつかの方法を説明しています。

• 「2サンプル」テスト： AIに偽のデータと本物のデータ（または信頼できる手法によるデータ）を与え、単純な分類器を使ってそれらを区別させます。もし分類器が簡単にそれらを区別できるなら、そのAIは劣っています。分類器が混乱するなら、AIはうまく機能しています。
• キャリブレーション・チェック： 例えば、AIが「答えが5から10の間であることに90%の自信があります」と言ったとします。このテストを100回実行した場合、答えが実際にその範囲内に収まるのは90回であるべきです。もし50回しか収まらないのであれば、そのAIは過剰に自信満々で、嘘をついています。
• 事後予測チェック： AIの最良の推測を取り、その推測を用いてシミュレーターを順方向に走らせ、それが実際の観測結果と似たデータを生み出すかどうかを確認します。もしAIの推測が全く異なる種類のデータをもたらすなら、その推測は間違っています。

また、論文は**摂動パラメータ（ノイズパラメータ）**についても警告しています。これらは、シミュレーションに含まれる、関心はないものの結果を乱してしまう余分な変数です（例：化学反応に影響を与える実験室の温度など）。論文は、AIはこれらを扱うことができるものの、それが訓練をはるかに難しく、複雑にすることを説明しています。

この論文が「述べていない」こと

この論文が主張していないことを理解しておくことは重要です。この論文は、AIがすべての科学的謎を解いたとは言っていません。これらの手法がすべての問題に対して完璧に機能するとも主張していません。著者らは、これらは注意深く検証される必要があるツールであることを明確に述べています。もしシミュレーター自体が壊れている場合（「順方向のマップ」が間違っている場合、AIは間違ったことを非常に素早く学習するだけです）、AIが機能しないということも明言しています。

また、これらがすべての他の手法に取って代わるとも言っていません。単純な数学公式がある場合、従来の手法の方が適していることもあります。AIは、数学を書き下すのが難しすぎる「不可能」なケースのためのものです。

結論

この論文は、新しい科学的発見の時代へのロードマップです。複雑なシミュレーションから学習して逆問題を解決するAI探偵をどのように構築するかを教えてくれます。ベイズ的および頻度主義的な論理を用いてどのように彼らを訓練し、どのように多くの小さな手がかりを組み合わせて大きな全体像を描き、そして最も重要なこととして、どのように彼らの仕事をダブルチェックして騙されないようにするかを示しています。

著者らは、この技術は強力で高速ではあるものの、まだ発展途上であると示唆しています。これらのツールを検証する方法や、シミュレーションが完璧ではない可能性のある、乱雑な現実世界の課題に対処する方法をさらに改善する必要があります。しかし、データに溺れ、ブラックボックスのシミュレーターで行き詰まっている科学者にとって、このガイドは一つの命綱となります。それは、何百万ものコンピュータ・シミュレーションを、即座に信頼できる答えへと変える方法なのです。