Physics-Driven Hierarchical Cascade Surrogate for Compositional Simulation of Geological CO2 and H2S Storage

地球の地殻を、地下深くに隠された巨大で古くからの岩石のスポンジだと想像してみてください。科学者たちは、地球の余剰な二酸化炭素（CO2）をこれらの深いポケットの中に詰め込み、温暖化を防ごうとしています。これは「地質学的炭素貯留」と呼ばれます。しかし、厄介なのは、このガスを下に送り込んだ後、それは岩のようにじっと静止しているわけではないということです。ガスは塩水と混ざり合い、溶け込み、浮き上がり、そして何世紀にもわたって岩石と反応します。ガスが閉じ込められたまま漏れ出さないようにするために、科学者たちはスーパーコンピューターを使用して複雑なシミュレーションを行っています。これらのシミュレーションは、ガスがどこへ行き、何世紀にもわたってどのように変化するかを正確に予測する「タイムマシン」のような役割を果たします。しかし、このシミュレーションを実行することは、ピースが常に動き続けている100万ピースのパズルを解くようなものであり、絶対的な安全を確信できるほど十分な数のテストを行うには、膨大な計算能力と時間が必要となります。

そこで、「サロゲートモデル（代理モデル）」の世界が登場します。これは、賢い近道のようなものです。毎回ゼロから難しいパズルを解く代わりに、サロゲートモデルは、マスターがパズルを解く様子を何千回も見てきた非常に賢い学生のようなものです。それはパターンを学習し、最終的な絵を瞬時に推測することができます。大きな課題は、この近道が、単にガスが「どこにあるか」だけでなく、それが「何をしているのか」――つまり、水に溶けているのか、ガスとして浮いているのか、あるいは岩に張り付いているのか――を正確に予測できるほど正確にすることでした。もし近道が詳細を見誤れば、ガスが実際には地表に向かって漂っているのに、安全であると誤認してしまう可能性があるからです。

本論文では、「階層的カスケード・サロゲート（HCS-CO2S）」と呼ばれる、非常に高度で洗練された近道を導入しています。トランプの家を作る場面を想像してください。ただし、ランダムに積み上げるのではなく、5つの特定の層を構築し、各層が次の層を築く前に完全に安定していなければならないというルールがあります。第1層は圧力と温度（岩の中の「天気」）を特定します。第2層はその天気を使い、流体の重さや粘り気を算出します。第3層は、ガス、油、水がどれだけのスペースを占めるかを決定し、それらが利用可能なスペースのちょうど100%になるように調整します。第4層は、CO2が水にどれだけ溶けているか、あるいはガスとして浮いているのかを正確に計算します。最後に、第5層がこれらすべてを統合します。研究者たちは、このモデルを、深部の岩層に注入されるCO2と少量の硫化水素（H2S）が混ざり合ったシミュレーションで訓練しました。そして、モデルに対し、見たことのない未来である100年後の状態を予測するよう求めました。結果はどうだったでしょうか？ モデルは、ガスの位置とその化学的組成を驚くべき精度で予測することに成功し、この「層状」のアプローチが、地球を守るための信頼できる高速タイムマシンになり得ることを証明しました。

「層状」タイムマシンの物語

研究者のステパン・ザイヌリンとアンナ・ストロジェヴァは、渦巻く海の中にインクの一滴がどのように進むかを予測するような問題に取り組んでいました。ただし、その海は岩でできており、インクは毒性のあるガスです。彼女たちの問いはこうでした。「ガスの雲の一般的な形を推測するだけでなく、その内部の化学反応まで理解できる機械学習モデルを構築できるだろうか？」

既存のモデルの多くは、ガスの雲のぼやけた写真を撮っているようなものです。それらはガスがおよそどこにあり、どの程度の圧力がかかっているかは教えてくれますが、CO2が塩水にどれだけ溶け込んでいるのか、それともまだガスとして浮いているのかという詳細までは教えてくれません。これは非常に重要なことです。なぜなら、何世紀にもわたって、ガスが水に溶け込むことは、貯留を最も安全にする方法の一つだからです。もしモデルが化学組成を見ることができなければ、貯留が本当に安全であるかどうかを判断することはできません。

著者らは、これまでの試みには主に3つの欠陥があったと主張しています。第一に、多くのモデルはチェス盤のように完璧な正方形のグリッド上でしか機能しませんが、実際の地下の岩層は、くしゃくれた紙のように凹凸があり不規則です。第二に、一部のモデルは物理法則を直接学習しようとしますが、長期間にわたって計算ミスが発生しやすく、エラーが雪崩のように積み重なってしまいます。第三に、最も重要な点として、これまでのモデルの中で、流体の詳細な化学的内訳を予測できたものは一つもありませんでした。

これを解決するために、チームは「階層的カスケード・サロゲート」を構築しました。この「カスケード」がどのように機能するかを、簡単な例えを使って説明しましょう。複雑な料理を友人に説明しようとしていると想像してください。単に「美味しい」と言うだけでは不十分です。論理的な順序に従う必要があります。

1. キッチンの条件（レベル1 & 2）： まず、キッチンの温度と圧力を説明します。暑いのか？ 高圧なのか？
2. 材料の特性（レベル3）： その熱と圧力に基づいて、材料がどのように振る舞うかを説明します。油はドロっとしているか？ 水はさらっとしているか？
3. 混合（レベル4）： 次に、材料がボウルをどのように満たすかを考えます。ガスがどれだけのスペースを取るか？ 水がどれだけのスペースを取るか？ 決定的なのは、それらが正確にボウル1杯分になるようにすることです。
4. フレーバーのプロファイル（レベル5）： 最後に、メインのスパイス（CO2）が水の中にどれだけ含まれ、油の中にどれだけ含まれ、ガスの中にどれだけ含まれているかを正確に記述します。

このステップ・バイ・ステップのアプローチこそが「カスケード」です。物理的な容易な部分（圧力と密度）を先に解かせてから、複雑な化学的部分を推測させることで、モデルが愚かな間違いを犯す可能性を低くしています。これは、ケーキを焼く時間を決める前に、まずオーブンの温度を確認するシェフのようなものです。

最大のテスト：ブラインド100年予測

この論文の真の魔法は、モデルを構築したことではなく、それをどのようにテストしたかにあります。通常、科学者は1年から100年目までのデータでモデルを訓練し、その後101年から110年目のデータをテストします。しかし、それではモデルがすでにパターンを見てしまっているため、少し「ズル」をしていることになります。

代わりに、著者らはもっと困難な方法を取りました。彼らはある時点までのデータでモデルを訓練し、その後、トレーニングから最後の20年分のデータを完全に削除しました。そして、以前の時点（ステップ123）のみに基づき、特定の未来の時点（ステップ144）における貯留層の状態を予測するようモデルに命じたのです。これは「ブラインド・フォアキャスト（目隠し予測）」です。これは、学生が概念を本当に理解しているかどうかを確認するために、まだ見ていない教材に基づいた期末試験を受けさせるようなものです。

結果は素晴らしいものでした。モデルは、CO2プルーム（ガスの雲）の位置をほぼ完璧な精度で予測することに成功しました。

• プルームの探索： もしモデルに「この特定の岩のセルにガスはあるか？」と尋ねると、モデルは実際にガスが存在するすべてのセルに対して「はい」と答えました。一つも見逃しませんでした（再現率100%）。ただし、実際には空である12個のセルに対しても「はい」と答えてしまいましたが、これは「保守的な」間違いです。危険な漏洩を見逃すよりは、少し多めにガスがあると判断する方がマシだからです。
• 化学組成のチェック： モデルは、水に溶け込んだCO2の量を高い精度（R二乗値0.905）で予測しました。これは、モデルが、単に浮いているガスと、水の中に安全に閉じ込められたガスの違いを判別できたことを意味します。
• スピード： 最もエキサイティングな部分は？ このモデルが置き換えようとしている物理シミュレーションを実行するには長い時間がかかりますが、この新しいモデルは、標準的なコンピュータプロセッサ（豪華なスーパーコンピューターは不要）を使用し、21,142個の岩のセルの将来の状態全体を、わずか22.4秒で予測しました。

欠点と未来

著者らは、自身のモデルが完璧ではない点についても正直に述べています。ガスの雲の位置を予測することには優れていましたが、あらゆる場所での正確な圧力を予測することについては完璧ではありませんでした。いくつかの特定の領域において、圧力の予測が最大11.3バールまで外れていました。論文によれば、これはモデルが各岩のセルを個別に見ており、特にガス注入が停止した後に、隣接するセルとの「対話」を通じて圧力を滑らかにするプロセスが不足しているために起こると示唆されています。これは、周囲の人がどう感じているかを知らずに、自分の気分だけを知っている群衆のようなものです。

また、モデルは少し慎重すぎた側面もありました。ガスの雲の内部については、実際よりもわずかに小さく予測しましたが、一方で、雲の周囲の空の岩の部分へと、雲が少し広がっているとも予測しました。これは、ガスを見逃さないようにするために著者らが取ったトレードオフです。

本論文は、この「層状」のアプローチが大きな前進であることを結論づけています。これは、ガスの雲の形状だけでなく、化学組成を理解する、高速で正確なモデルを構築できることを証明しています。しかし、著者らは、これがあくまで「一つの」種類の岩層でテストされたものであることに注意を払っています。このモデルが世界中のあらゆる異なる種類の地下岩層で機能することを、まだ証明してはいません。それが次の課題です。この賢い学生に、すべてを最初から学び直すことなく、異なる「教室」（異なる地質学的サイト）に対応できるように教えることです。

結局のところ、この論文は炭素貯留の全問題を解決したと主張しているわけではありません。むしろ、強力な新しいツール――高速で化学組成を理解できるタイムマシン――を提示しています。これにより、科学者はかつて一つのテストを実行するのにかかっていた時間で、何千もの安全テストを実行できるようになるかもしれません。そして、気候を守るための競争において、自分たちの仕事を検証するための「時間」をより多く持つことは、おそらく最も重要なことなのです。