あなたは、足跡だけを頼りに謎を解こうとする探偵だと想像してください。靴の形は見えず、残された足跡しかありません。物理学や工学の世界では、科学者たちは膨大なデータ――物体がどのように動き、流れ、変化するかを示すスナップショット（例えば、船の後方にできる渦巻く航跡や、金属棒を通じて熱が広がる様子など）――を手にしています。これらは「軌跡（トラジェトリー）」と呼ばれます。通常、次に何が起こるかを予測するには、それぞれの状況に応じた具体的な「ゲームのルール」を知る必要があります。流体の粘性、物体の形状、あるいは温度といった具合です。それは、靴の重さを正確に知らなければ、足跡がどれほど深くつくかを予測できないのと似ています。しかし現実の世界では、私たちはこうしたラベル（属性情報）を持っていないことがよくあります。ただ、無秩序な「足跡」だけを持っているのです。この論文は、足跡からゲームのルールと靴の具体的な詳細を同時に学習するという課題に取り組んでいます。

著者たちは、MITと浙江大学のチームであり、「ニューラル・オペレーター・ディスカバリー（Neural Operator Discovery: NOD）」と呼ばれる新しい手法を開発しました。これは、単に足跡を暗記するのではなく、歩行者の「スタイル」を理解することを学ぶ、非常に賢いAI探偵のようなものです。彼らは、同じ人物による2つの異なる歩行（ただし開始地点は異なる）をAIに見せることで、その人物が誰であるかを知らされることなく、その人物独自の「スタイル（隠れたルール）」を特定できることを見出しました。これにより、AIは見たことがない人であっても、将来の動きを高精度に予測できるようになります。さらに、ルールが劇的に変化する極端な条件下でも予測が可能です。

探偵の新しいトリック

通常、科学者がシステム（流体や化学反応など）がどのように振る舞うかを予測するためのコンピュータモデルを構築しようとすると、もし「取扱説明書」がなければ壁に突き当たります。例えば、円柱の周りを水がどのように流れるかを予測したい場合、水の粘り気（粘性）を知る必要があります。もしその数値がなければ、モデルは盲目となります。

これを解決しようとする過去の試みは、単一の足跡を見て靴のサイズを推測しようとするようなものでした。ある手法は、動きの全履歴を暗記しようとしました（例えば、次のステップを予測するために直近の10歩を見るなど）。しかし、これではモデルが混乱し、時間の経過とともに予測が大きく外れてしまうことがよくありました。また、データを隠れた「秘密のコード」に圧縮しようとする手法もありましたが、そのコードはしばしば乱雑で、物理学的に意味のある情報を何も伝えてくれませんでした。

Sili Deng氏らを中心とするチームは、異なるアプローチをとることに決めました。彼らはこの問題を、同じ物語の2つの異なるバージョン間の「間違い探し」のようなゲームとして扱いました。

「二つの物語」トレーニング・ゲーム

彼らの手法である「NODnet」がどのように機能するか、簡単な比喩で説明します。

想像してみてください。あなたは、さまざまな著者が書いた何千もの物語のライブラリを持っています。あなたは誰がどの物語を書いたのかを知りませんし、名前も分かりません。ただテキストがあるだけです。あなたの目標は、どんな著者による物語であっても、それを完成させ、さらには出会ったことのない著者のための新しい物語さえも書けるマシンを作ることです。

著者たちのトリックは、同じ著者の本から「異なる2つの章」を取り出すことでした。

1. 章A は、著者の独特な「声（スタイル、語彙、トーン）」を特定するために使われます。
2. 章B は、その「声」をガイドとして使い、マシンが次に何が起こるかを予測できるかどうかをテストするために使われます。

決定的なのは、マシンに対して「これら2つの章は同じ著者によるものだが、プロット上の異なる地点から始まっている」と教えることです。これにより、マシンは特定のプロットの詳細（例：「英雄は城にいた」など）を無視し、著者の独特なスタイル（「支配的な要因」）だけに集中することを強制されます。

現実の世界では、これは流体の流れの短いバースト（「声」）を見て、同じ流体設定における別のバーストの未来を予測することを意味します。これを繰り返すことで、AIは特定の初期条件によるノイズを削ぎ落とし、システムを支配する純粋な「ルール」を孤立させることを学びます。

「隠れた次元」の魔法

この発見における最も巧妙な部分の一つは、AIが「どれだけの数の隠れたルールを学ぶ必要があるか」をどのように判断するかという点です。

想像してみてください。ある人の歩き方を説明しようとしているとします。あなたは千種類の言葉を使うこともできますが、おそらく「歩幅」と「ペース」という2つの言葉だけで十分です。もし言葉を使いすぎると、靴下の色（無関係な詳細）まで説明し始めてしまいます。逆に少なすぎると、短距離走者と散歩中の人とを区別できなくなります。

研究者たちは、異なる数の「隠れた言葉（潜在次元）」を自動的にテストするシステムを構築しました。彼らは、Burgers方程式（流体の衝撃波のモデル）に対して、AIが自然に1つの隠れた次元に落ち着くことを見出しました。また、FitzHugh–Nagumoシステム（神経インパルスのモデル）に対しては、2つに落ち着きました。これは、それらのシステムにおいて実際に変化している物理変数の数と完璧に一致していました。

このことは、AIが単に推測しているのではなく、世界を記述するために必要な真の最小限のルールを、実際に発見していることを示唆しています。それはまるで、AIが「靴下の色は知らなくていい、歩幅さえ分かればいい」と言っているかのようです。

彼らが発見したもの（そして発見できなかったもの）

チームはこのアイデアを3つの全く異なる物理システムでテストしました。

1. Burgers方程式: 鋭く突然の衝撃（ソニックブームのようなもの）を生み出すことができる流体フローのモデル。彼らは、流体が完全に滑らかな「粘性ゼロ」のケースを含む、さまざまな粘性を用いてテストを行いました。
2. 円柱後方の流れの航跡: 空気がまたは水が円柱の後方でどのように渦巻くか。これは、データが「疎（スパース）」であり（わずか16例）、形状が不規則であったため、困難なテストでした。
3. FitzHugh–Nagolaシステム: 神経の中で電気信号がどのように伝わるかをモデル化したもの。これは、複雑で振動的な挙動を示すことがあります。

すべてのケースにおいて、NODnetモデルは従来のモデルを上回る性能を示しました。

• 長期予測: 他のモデルは、数ステップ後にはコースから外れてしまいますが（信号を徐々に失っていくGPSのように）、NODnetは高い精度を維持しました。例えば、Burgersのテストでは、従来の「自己回帰型（過去を見るだけ）」のモデルは50ステップ後に大きな誤差が生じましたが、NODnetは冷静さを保ちました。
• ゼロショットの魔法: モデルは、一度も見たことがないシステムに対しても予測を行うことができました。神経インパルスのテストでは、特定のルールに基づいてAIを訓練した後、遭遇したことのない全く新しいルールに対する予測を求めました。AIは単に推測したのではなく、学習した「スタイル」を用いて正しく外挿（補外）することができました。
• 「非粘性」の限界: 流体のテストにおいて、彼らは流体が粘性ゼロの状態（明示的に訓練されていない状態）である場合に何が起こるかを予測させました。AIの内部的な「声」は、この極端なケースを扱うために滑らかかつ連続的に変化し、AIが単なる数学ではなく、真の物理学を理解していることを示しました。

探偵の限界

著者らは、これがシミュレーションに基づいた発見であることを慎重に注記しています。彼らはまだ、工場や川からの現実世界のノイズの多いセンサーデータに対してはこのテストを行っていません。また、彼らの手法は「ルール」が滑らかに変化する場合に最も効果的であることも指摘しています。もしシステムが、ある種の挙動から全く異なる挙動へと突然ジャンプする場合（例：水が氷に変わるような場合）、現在の手法では苦戦する可能性があります。

さらに、AIがどのように「教えられるか」が重要であることも分かりました。もしAIが一度に1ステップずつ（映画の1フレームのように）しか見ることができない場合、深いルールを学ぶことはできません。システムの「声」を理解するためには、全体像を見るか、あるいは数ステップ先まで見る必要があります。これは、自然の法則を発見するためには、単に直後のステップを見るのではなく、大きな全体像を見る必要があることを示唆しています。

なぜこれが重要なのか

この論文は、科学への新しいアプローチを提案しています。実験のあらゆるパラメータに人間がラベルを付ける必要はなく、AIに無秩序でラベルのないデータを精査させ、隠れた法則を見つけさせることも可能かもしれません。これは、機械が宇宙を観察することによってそのルールを学ぶ、「自己教師あり」の発見への一歩です。

これは今日、あらゆる物理問題を解決する魔法の杖ではありませんが、有望な道筋を示しています。たとえマニュアルがなくても、十分な数の異なる「足跡」を見つめ、正しい方法で比較すれば、血管内の血液の流れから大気の気象パターンに至るまで、複雑なシステムの未来を予測する方法を学ぶことができるのです。AIは単に暗記しているのではなく、物理学者のように考えることを学んでいるのです。