AI-Guided Adaptive Control in Membrane Bioreactors for Real-Time Micropollutant Removal: Bridging the Explainability and Multi-Contaminant Gap in Intelligent Wastewater Treatment

ある都市の下水処理場を、汚れた水が主原料となる巨大でハイテクなキッチンだと想像してみてください。目標は、古い薬物や目に見えないプラスチック片、化学的阻害物質といった「厄介なもの」をすべて取り除き、出てくる水が自然に帰すのに十分なほど綺麗になるように「調理」することです。長い間、これらのキッチンでは「膜分離活性汚泥法（MBR）」と呼ばれる手法が使われてきました。これは、超微細なふるいと、悪いものを食べる微生物のチームを組み合わせたものだと考えてください。これは最先端のセットアップですが、扱いが難しいものです。時として「ふるい」が詰まってしまう（これをファウリングと呼びます）ことがあり、また、微生物たちは多種多様な汚染物質が混ざり合った複雑な状況に直面すると、混乱してしまうことがあります。

これを解決するために、科学者たちは人工知能（AI）を使い始めました。通常、これらのプラントにおけるAIは、非常に優れた「推測屋」として機能します。つまり、データを見て、特定の「一つの」汚染物質に対して何が起こるかを予測するのです。しかし、現実の世界は混沌としています。水にはさまざまな汚染物質のカクテルが含まれており、AIはしばしば、なぜその推測に至ったのかという「理由」を説明することができません。それは、スープが美味しくなることは言えるけれど、どのスパイスがその味を作ったのかまでは言えないシェフのようなものです。この論文は、その混乱を解消するために、単に推測するだけでなく、多くの異なる汚染物質を同時に扱いながら、その判断の根拠を説明できるAIを構築しようとする試みに取り組んでいます。

研究者たちは、ある特定のパズルを解こうとしました。それは、「どのようにすれば、多くのマイクロ汚染物質を同時に除去しながら、かつ、なぜその決定を下したのかを私たちに伝えることができるAIを、実規模の下水処理プラントを制御するために作れるか？」という問いです。彼らは「XAI-AMBR」と呼ばれる新しいシステムを構築しました。このシステムは、下水処理プラントのための「超スマートな自動運転車」のようなものです。ただ運転するだけでなく、コ・パイロット（副操縦士）がダッシュボードを指差して、「エンジンの温度が上がっているから減速しています」と言えるようなものです。単に盲目的にブレーキを踏むのではありません。

この「コ・パイロット」を訓練するために、チームは2年間にわたって5つの大規模な実世界の排水処理プラントからデータを収集しました。これらのプラントは、毎日合計48,000立方メートルの水を処理しています。彼らは、時間の経過に伴うパターンを記憶することに長けた「長短期記憶（LSTM）」ネットワークという種類のAIを使用しました。これは、一度聞いた曲のメロディを何度か聴いた後に覚えているようなものです。彼らは、水に含まれる固形物の量や、どれくらいの酸素が泡立っているかといった、18種類の異なる情報をAIに投入しました。

しかし、ここからが巧妙な点です。彼らは「SHAP（Shapley Additive Explanations）」と呼ばれるツールを追加しました。もしAIが水をより良くきれいにするために設定を変更すると決定した場合、SHAPはハイライトペンのように機能し、どの要因がその決定を引き起こしたのかを正確に示します。例えば、この分析により、「ふるい」が詰まるのを防ぐために最も重要な3つの要素が、混合物中の浮遊物質の量、水がタンク内に滞留する時間、そして溶存酸素量であることが明らかになりました。

チームは単なる予測にとどまりませんでした。彼らは、水をきれいにする、エネルギーを節約する、そして機器を長持ちさせるという、完璧なバランスを見つけ出すための特別なアルゴリズムを使用しました。その結果は非常に印象的なものでした。これらの実世界でのテストにおいて、新しいシステムは有機汚染物質（COD）を97.8％、全窒素を96.4％、そして23種類の異なるマイクロ汚染物質の94.2％以上を除去することに成功しました。また、従来の方式よりも大幅に電力を節約し、標準的な（最適化されていない）MBRよりも43.9％、従来の手法よりも18.7％少ないエネルギー消費を実現しました。

論文は、このXAI-AMBRフレームワークが、実規模のプラントにおいて「説明可能」であり、かつ「複数の汚染物質を同時に扱う」ことができる初めての仕組みであると結論づけています。著者たちは、収集したデータに基づくこれらの結果に自信を持っていますが、これを最終的な完璧な解決策ではなく、大きな前進として位置づけています。彼らは、このアプローチが、完全に自動化され、エネルギー効率が高く、そして自らの論理を説明できるほどスマートな下水処理へと道を開くものであると示唆しています。つまり、複雑で詰まりやすいプロセスを、合理化された透明性の高いオペレーションへと変えていくのです。