コンピュータが単にゲームをしたりSNSをスクロールしたりするだけでなく、科学者が宇宙の最も手強い謎を解くのを実際に手助けする世界を想像してみてください。これは「科学のためのAI（AI for Science）」と呼ばれる領域であり、そこでは人工知能が、物の動き、流れ、変化を理解しようとする研究者たちのための、疲れを知らない助手として機能します。これらの謎の中心にある多くは、偏微分方程式（PDE）と呼ばれる方程式です。これらの方程式を、自然界の究極のルールブックだと考えてください。それらは、金属棒を通じて熱がどのように広がるか、水がボートの周りをどのように流れるか、あるいはウイルスが群衆の中でどのように広がるかを記述しています。何十年もの間、人間はこれらのルールブックを解くために複雑なコンピュータプログラムを書かなければなりませんでしたが、そのプロセスは遅く、困難で、多くの専門知識を必要とします。最近、科学者たちは、チャットボットを動かしているのと同じ技術である「大規模言語モデル（LLM）」という特別な種類のAIを使用して、これらのプログラムを自動的に書かせ始めました。アイデアは単純でした。AIに「この方程式のソルバーを書いて」と頼むだけで、あとはAIがすべてやってくれるというものです。しかし、落とし穴がありました。AIに生のコンピュータコードを書かせることは、幼児にレゴのバラバラのパーツを使って摩天楼を建てるよう頼むようなものです。AIは自分の足に躓き、見た目はまともでもすぐにクラッシュしてしまうコードを書いたり、大きな問題を解決する代わりに、小さなタイポ（打ち間違い）を修正する無限ループに陥ったりすることがよくあります。

これは、「ADSL-PDE」と呼ばれる新しいアプローチの物語です。これは、バラバラの砂の山を与える代わりに、あらかじめ用意された、カチッと組み合わせられるレゴブロックを与えることで、その不器用な幼児を矯正しようとする試みです。Shengxin Kong、Liwen Xu、Jingwen Fu率いる研究者たちは、問題はAIが十分に賢くないことではなく、「探索空間」——AIが泳いでいる可能性のあるプログラムの広大な海——の中に、あまりにも多くのゴミが詰まっていることだと気づきました。AIが生成できるランダムなプログラムのほとんどは、壊れていたり、互換性がなかったり、あるいは単に意味不明なものでした。これを解決するために、彼らはPDEソルバーのための特別な「ドメイン固有言語（DSL）」を発明しました。AIに生のPythonコードをゼロから書かせるのではなく、彼らは「ディープニューラルネットワークを選択する」、「物理的な制約を追加する」、「サンプリング戦略を変更する」といった高レベルな決定を下すだけで済む、構造化された言語を作成しました。コンピュータコンパイラが、これらの高レベルな選択肢を、完璧で動作するコードへと自動的に翻訳します。それは、AIが設計図を描く建築家であり、コンパイラが建物が崩れないようにする建設作業員であるようなものです。

この実験の結果は非常に有望です。研究者たちが、単純な1次元の流れから複雑な2次元および3次元のシミュレーションまで、幅広い数学の問題に対してこの新しいシステムをテストしたところ、ADSL-PDEシステムは、生のコードを書こうとする他のAI手法を一貫して上回りました。また、研究に記載されている特定のベンチマークにおいて最高の成果を達成し、しばしば人間が設計したソルバーをも凌駕しました。しかし、論文ではこれが完全な独占ではなかったことも記されています。KS方程式やBurgers-Cのような特定のタスクでは、他の特化した手法（Lang-PINNなど）の方が実際にはわずかに優れた性能を示しました。これらの例外はあるものの、ADSL-PDEシステムはすべてのタスクを通じて最も低い「幾何平均」誤差を記録しており、これは、全体として最も一貫して強力なパフォーマンスを発揮したことを意味します。実際、AIが設計を「進化」させてからの最初の10ラウンド以内に、システムは性能を52%以上向上させました。これは、AIを構造化された有効な選択肢に制限することで、壊れたコードに時間を浪費させることを止め、スマートな設計決定を下すことにその脳の力を集中させられることを示唆しています。論文は、これは一つの特定の問題のための手法ではなく、より広い原則であることを示唆しています。つまり、科学におけるAIから最高の成果を得るためには、AIにコーダーであれと求めるのではなく、問題の意味を理解させるための専門的な言語を与える必要があるのかもしれません。

「スマートな建築家」対「不器用なコーダー」の物語

これがどのように機能するか、楽しい比喩を使ってさらに深く掘り下げてみましょう。あなたが究極のロボットを作って迷路を解かせようとしていると想像してください。

古い方法：生のコード生成器
以前は、研究者はAIにPythonと呼ばれる言語でロボットのコード全体を書かせることで、これらの数学パズルを解こうとしていました。これは、ロボットに数百万個のランダムなネジ、ワイヤー、ギアが入った袋を渡し、「迷路を解くロボットを作って！」と言うようなものです。AIは猛烈にタイピングを開始します。それは import gravity（そんなものは存在しません）という行を書いたり、車輪を電球に接続しようとしたりするかもしれません。ほとんどの場合、ロボットは動き出す前にバラバラになります。AIは時間の90%を構文エラー（タイポ）の修正に費やし、10%を迷路をどう解くかを考えることにしか使いません。これはフラストレーションが溜まり、遅く、ロボットが機能することは稀です。

新しい方法：ADSL-PDE（構造化された設計図）
論文の著者たちは、「待てよ。AIにメカニックであれと求めるのはやめて、建築家であれと求めよう」と言いました。彼らは ADSL-PDE と呼ばれる特別な言語を作成しました。

生のコードを書く代わりに、AIは構造化されたフォームを埋めるだけです。それは、数学ソルバーのためのビデオゲームのキャラクタークリエイターのようなものです。AIはエンジンのコードを書く必要はなく、メニューからオプションを選ぶだけです。

• アーキテクチャ（構造）： 「背が高く細い脳にするか、幅が広く短い脳にするか？」
• 物理学： 「『エネルギーは保存されなければならない』というルールを追加するか？」
• サンプリング： 「迷路を1秒ごとにチェックするか、それとも10秒ごとにするか？」

一度AIがこれらのオプションを選択すると、魔法の「コンパイラ」（コンピュータプログラム）が、これらの選択肢を瞬時に組み合わせて、動作するロボットへと作り上げます。メニューには常に有効な選択肢しかないため、ロボットは必ず動作します。AIが壊れたコードのために時間を無駄にすることはありません。AIは完全に戦略に集中できます。「もし脳をより深く（ディープに）したら、迷路をより速く解けるだろうか？」といった具合に。

彼らが見つけたもの：「組み立て式」科学の魔法

研究者たちは、熱が壁をどのように移動するか（拡散）、流体がどのように渦巻くか（Burgers方程式）、電気がどのように流れるか（Poisson方程式）など、膨大なリストの数学問題に対してこのアイデアをテストしました。彼らは、この新しい「組み立て式」手法を、以下の3つのグループと比較しました。

1. 人間のエキスパート： ソルバーを手動で設計した最高の科学者たち。
2. 古いAI探索器： 数値をランダムに微調整するシステム。
3. 生のコードAI： 最初からPythonコードを書こうとするシステム。

結果：
ADSL-PDEシステムはチャンピオンでした。ランダムな探索器に勝っただけでなく、リストされたベンチマークの大部分において、人間のエキスパートをも打ち負かしました！

• 1D Burgers という問題では、最高の人間設計ソルバーの誤差は約0.0603でしたが、ADSL-PDEシステムはそれを 0.0022 まで下げました。これは劇的な改善です。
• 厄介な流体問題である 2D Darcy Flow において、新システムは 0.0042 の誤差を達成し、これは従来の最良の手法よりもはるかに優れていました。
• すべての異なる問題を通じて、新システムは最も低い「幾何平均」誤差を記録しました。これは、一言で言えば、全体を通して最も一貫した勝者であったことを意味します。すべての個別のタスクで勝ったわけではありませんが（例えば、KSやBurgers-CではLang-PINNが最高の結果を出しました）、その総合的な平均パフォーマンスは最も強力でした。

最もクールな発見の一つは、その学習速度です。論文によれば、進化の最初の10ラウンドだけで、システムは 52%以上 向上しました。これは、もしあなたが数学の問題を解く学生を教えたとして、わずか10回の練習セッション後には、最初よりも2倍上手くなっているようなものです。

なぜこれが重要なのか：単に「賢くなる」ことではない

あなたは、「では、AIが単に賢くなっただけなのですか？」と思うかもしれません。必ずしもそうではありません。論文はより興味深いことを示唆しています。AIが必ずしも賢くなったのではなく、**「私たちとの話し方」**が良くなったのです。

研究者がさまざまなAIモデル（DeepSeek、Qwen、GLMなど）をテストした際、ADSL-PDE言語を使用すると、たとえ「弱い」モデルであっても驚くほど高い性能を発揮することがわかりました。これは、秘訣がAIの脳そのものではなく、それが話している 「言語」 にあったことを物語っています。AIに構造化された有効な言語を話すよう強制することで、壊れたコードという「ノイズ」を取り除き、その推論能力を輝かせることができたのです。

また、論文はいくつかの要素を排除しました。単にAIに「構造化された形式」（チェックリストのようなもの）を与えるだけでは不十分であり、それらの選択肢を実際のコードに変換する「コンパイラ」が必要であることも示されました。そして、単にAIに生のPythonコードを書かせることは非効率的であることが証明され、その「パス率（成功率）」は非常に低い（30回の試行のうちわずか14回）ものでした。

まとめ

この論文は、科学におけるAIの未来に対する新しいルールを提案しています。「AIに、より大きな脳を与えるのではなく、より優れた言語を与えよ」 ということです。

コーディングの煩雑な詳細を隠し、物理学や数学の大きな概念に焦点を当てた専門的な言語を作成することで、AIがより速く、より確実に問題を解決できるようになります。それは、私たちがもはやバイナリコード（0と1）で話すよう人々に求めていないのと似ています。私たちはユーザーフレンドリーなインターフェースを提供しています。ADSL-PDEは、宇宙の最も複雑な数学問題のための、そのようなユーザーフレンドリーなインターフェースなのです。そして最も素晴らしいのは、これがさまざまな種類のAIで機能することであり、これがより良い科学的発見を解き放つためのユニバーサルな鍵になり得ることを示唆しています。