Progressive Context Enrichment for LLM-Based MILP Formulation in Open-Pit Mine Production Scheduling

あなたは、岩石でできた巨大な浮遊都市の船長であると想像してください。あなたの仕事は、今後20年間にわたって最も利益が出るように、正確にどの岩の塊を掘り出し、いつ掘り、どのように加工するかを決定することです。これは単なる「ここを掘って、あそこを掘る」というゲームではありません。「露天掘り採掘生産スケジューリング」と呼ばれる、非常にハイレベルなパズルです。ただし、ルールは極めて厳格です。あるブロックの上に載っているブロックが取り除かれるまで、その下のブロックを掘ることはできません（ジェンガのタワーのように）。また、工場が処理できる以上の岩を加工してはいけませんし、工場に送る岩の混合比率も、適切な品質でなければなりません。このパズルを完璧に解くには、「混合整数線形計画法（MILP）」という超スマートな数学ツールが必要です。これは、あらゆるルールと目標を、コンピュータが解ける言語で書き出す方法です。しかし、問題は、こうした数学的なルールを書き上げる作業があまりに難しく、世界でもごく一部の専門家にしかできず、鉱山の状況が変わったりルールが複雑になったりすると、彼らでさえ行き詰まってしまうことです。

そこで登場したのが、新しい勢力である「大規模言語モデル（LLM）」です。これらは、エッセイを書いたりコードを書いたりするChatGPTのような、あなたが知っているAIチャットボットのことです。これらは言語を理解し、コンピュータプログラムを書くことにも長けています。科学者たちは大きな疑問を投げかけました。「もし、AIに対して『ここに鉱山があり、ここにルールがあります。これを解くための数学コードを書いてください』と指示すれば、人間の専門家の代わりにその仕事をさせることができるのではないか？」と。夢のような話に聞こえますが、AIには複雑な事態になると混乱してしまうという癖があります。AIは、一見正しく見えるコードを書き、数字を算出することもありますが、実は密かにルールを無視していることがあるのです。この論文は、より良い「ヒント」を与えることで、これらのAIをより優れた鉱山プランナーへと教え込むことができるかどうかを深く掘り下げ、指示の出し方こそがAI自体よりも重要であることを明らかにしました。

AI採掘プランナーのトレーニングキャンプ

レイクヘッド大学とニューファンドランド大学メモリアル大学の研究者たちは、一般的な汎用AIを、新しい数学を教えることなく、採掘スケジューリングの達人に変えられるかどうかを確かめるため、巧妙な実験を行いました。彼らはAIをゼロから再学習させるのではなく、「コンテキストを豊かにする」、つまり、AIが解決策を書こうとする前に、より優れた学習教材を与えることを試みました。

彼らは、4つの異なるAIモデル（ChatGPT、Gemini、DeepSeek、Copilot）のために、4段階のトレーニングキャンプを作成しました。これは、学生に複雑なエッセイを書く方法を教えるようなものです。

1. 基本プロンプト： まず、最小限の情報から始めました。鉱山の単純なテキスト説明とルールだけを与えました。これは、学生に「採掘について書いて」というプロンプトを与えて、論文の完成を期待するようなものです。
2. シミュレーションログ： 次に、すでに鉱山を運営しようとした「強欲なロボット」による「日記」を追加しました。このログには、どの岩が選ばれ、どの岩がスキップされ、いつ工場が満杯になったかといった、期間ごとの出来事が記録されています。これは、学生に誰かが実際に問題を解こうとした際の日記を見せるようなもので、AIがルールの「振る舞い」を理解できるようにするためです。
3. シミュレーターのコード： 次に、その強欲なロボットの実際のソースコードを与えました。これは単なる日記ではなく、ロボットが意思決定を行うために使用した「取扱説明書」です。そこには、「もし工場が満杯なら停止する」「もし上のブロックがなくなっていなければ待機する」といったロジックが示されています。
4. 注釈付きコード： 最後に、そのソースコードに「付箋（アノテーション）」を貼り付けました。コードの各行に、数学的な意味（例：「この行は採掘容量のルールである」「これは先行関係のルールである」など）をラベル付けしました。これは、ロボットのロジックを数学の問題の言語へと直接翻訳した、究極の「カンニングペーパー」です。

「サイレント・フェイラー（静かな失敗）」の罠

この研究における最も驚くべき発見は、AIがどれほど上手に行ったかではなく、AIがいかに「下手に見せかけることができるか」でした。研究者たちは、もし単にAIにコードを書かせて実行させた場合、多くのモデルが完璧に見える解決策を提示することを発見しました。それは、利益（純現在価値、NPV）の数字を出し、「成功！採掘スケジュールが完了しました！」と宣言します。

しかし、研究者が詳しく調べたところ、「サイレント・フェイラー（静かな失敗）」が見つかりました。これらは、計算自体は成立している（コンピュータがクラッシュしていない）ものの、実際には壊れている解決策でした。AIが、最も重要なルールの一つ（例えば、上のブロックがなくなるまで下のブロックを掘ってはいけないというルール）の適用を忘れてしまったのです。AIは抜け穴を見つけるか、あるいは単にルールを無視し、コンピュータは物理的に存在し得ない採掘計画に対して、喜んで利益を計算してしまいました。これは、学生が素晴らしいエッセイを書いているように見えて、実はプロンプトの内容を完全に無視しているようなものです。教師は一見して合格点を与えるかもしれませんが、その内容はデタラメなのです。

この論文は、「実行可能（feasible）」な結果が出たからといって、AIが正解したとは限らないという考えを明確に否定しています。実際、4つのAIモデルのうち3つにおいて、より多くの情報（ログやコード）を与えたことが、逆にこれらのサイレント・フェイラーの数を増加させてしまいました。AIは自信満々になりましたが、自信を持って間違っていたのです。唯一、Geminiだけが、どれほど多くの情報を与えられても、これらのサイレント・フェイラーを完全に回避することができました。

「カンニングペーパー」の魔法

研究者たちがサイレント・フェイラーを除外し、実際に有効な解決策のみに注目したとき、結果は非常に明確になりました。

• テキストだけでは不十分だった： 基本的なテキスト説明だけの場合、AIが正解することはほとんどありませんでした。
• ログは少し役に立った： ロボットの日記（シミュレーションログ）を見ることで、AIは時間とリソースの流れを理解できるようになり、結果がわずかに改善しました。
• コードがゲームチェンジャーとなった： AIにシミュレーターの実際のソースコードを与えると、解決策の質が劇的に向上しました。コードは架け橋となり、ルールが実際にどのように機能するかをAIに正確に示しました。これが、全体の利益の数値を正しく出す上で最も情報量の多い要素でした。
• 注釈が精度を高めた： 最後のステップである、コードへの「付箋（注釈）」の追加は、必ずしも利益の数値を上げるわけではありませんでしたが、解決策の「構造」を非常に正確にしました。これにより、AIはどの部分のコードがどの数学的ルールに対応しているのかを正確に理解できるようになりました。これは、掘削の順序（先行関係）や岩の品位の混合といった、最もトリッキーなルールにおいて特に効果的でした。

誰がレースに勝ったのか？

テストされた4つのAIモデルの中で、Geminiが明らかに抜きん出ていました。Geminiはサイレント・フェイラーを一切出さなかった唯一のモデルであり、つまり、解決策があると言ったとき、それは常に有効な解決策でした。注釈付きのコードを与えられたとき、Geminiの解決策は、人間が作成した完璧なベンチマークに非常に近く、「ペナルティ付き相対誤差（間違いと誤答の両方をカウントするスコア）」は、100%（完全な失敗）からわずか21.6%まで低下しました。

ChatGPTやCopilotなどの他のモデルは、より苦戦しました。それらは、見た目は良くても構造的に欠陥のある解決策を出すことがよくありました。興味深いことに、注釈付きのコードを与えることが、必ずしも彼らにとってプラスになるとは限りませんでした。いくつかのモデルでは、余計な注釈が混乱を招いたり、新しい種類の誤りを引き起こしたりしました。これは、AIによって「考え方」が異なり、あるモデルにとっての役立つヒントが、別のモデルにとってはノイズになる可能性があることを示唆しています。

まとめ

本論文は、採掘スケジューリングのような複雑な数学の問題に対してAIを使用する際の主な問題は、AIの知能が足りないことではなく、適切な「コンテキスト（文脈）」を与えていないことであると結論付けています。単純なテキストによる記述はあまりに曖昧です。しかし、単に大量のテキストを投げつければよいというわけでもありません。鍵となるのは、実行可能なロジック（ルールをシミュレートする実際のコード）を提供し、その上で、AIが各部分の意味を理解できるようにコードにラベルを付けることです。

このアプローチは、採掘プランナーのために高価な新しいAIモデルを訓練する必要はないことを示唆しています。代わりに、一般的なAIを取り上げ、シミュレーションログと注釈付きコードという「足場」を与えることで、人間の運用ルールを完璧な数学へと翻訳させることができるのです。これは、物理の問題文から物理方程式を書くのに苦労している学生に、実験ノートと実験で使用された公式を与えれば、突然解けるようになるのと似ています。

また、この研究は注意を促しています。AIが解決策を持っていると言ったとしても、それが正しいとは限りません。AIがルールを破るショートカットを見つけていないか、詳細（サイレント・フェラー）を必ず確認しなければなりません。しかし、適切なコンテキストの拡充、具体的にはシミュレーターのコードと注釈を使用することで、数学の博士号を持たずとも、AIに採掘計画の重労働をこなさせることが可能になります。