巨大な消火パズル

あなたは、単なるカードボードのピースではなく、それぞれが独自の個性、速度、燃料タンクを持つ、空飛ぶロボットの艦隊そのものがピースとなっている、巨大で動的なパズルを解こうとしているところだと想像してください。これが**システム・オブ・システムズ（SoS）**エンジニアリングの世界です。エンジニアは今、単に完璧な一台の車や一台の飛行機を作るのではなく、互いに通信し、自ら意思決定を行い、森林火災の消火や都市内での移動といった巨大な問題を解決するために協力し合う、機械のエコシステム全体を設計しようとしています。

厄介なのは、これらのシステムが極めて複雑であることです。あらゆる種類のロボットの組み合わせ、数、戦略を実際に森の中で飛ばしてテストしようとすれば、膨大な時間がかかり、莫大な費用がかかります。それは、迷路の出口を見つけるために、あらゆる経路を実際に歩いて回るようなものです。出口を見つける前に疲れ果ててしまうでしょう。これを解決するために、科学者たちはエージェント・ベース・モデリングを使用します。これは、ロボットと環境の「デジタルツイン」を作成する、超高度なビデオゲームのようなものです。彼らはコンピュータ上で何千ものシミュレーションを実行し、何が起こるかを検証できます。しかし、コンピュータを使っても、これらのシミュレーションを実行することは非常にコストがかかり、時間がかかるため、あらゆることを試すことはできません。ここでベイズ最適化が登場します。これは、超スマートで好奇心旺盛な探偵だと考えてください。ランダムに推測するのではなく、探偵はすでに持っている手がかりを調べ、最適な解があると思われる場所に非常に教育された推測を行い、その場所をチェックし、その結果から学び、次により良い推測を行うのです。これは、可能な限り少ない試行回数で「スイートスポット（最適解）」を見つけ出す技術です。

この論文の大きなアイデア：空飛ぶ艦隊のためのスマートな探偵

この論文では、フランスとドイツの研究チームが、これらの未来的な協調型飛行艦隊を設計するという課題に取り組んでいます。具体的には、EVE（複数の運用環境のための環境に優しい車両）と呼ばれるシナリオに焦点を当てています。これは、異なる種類の航空機を連携させて森林火災に対処することに関するものです。電気垂直離着陸機（eVTOL）のチームと、従来の水上飛行機が協力し合う場面を想像してください。目標は単に飛行機を選ぶことではなく、どれだけの数の飛行機を使い、どのような種類の飛行機を使い、そして緊迫した瞬間に正確にどのように行動すべきかという、完璧な組み合わせを見つけ出すことです。

著者たちは、これらのシステムを最適化するための標準的な方法が壁に突き当たっていることに気づきました。設計空間は「階層的」な混乱状態にあります。それは、最初の選択（例：「水上飛行機を使う」）によって、次にどのページを読むことが許されるかが決まる「選択型アドベンチャー・ブック」のようなものです。もしドローンを選べば、燃料に関するページは消えてしまいます（ドローンはバッテリーを使用するため）。もし水上飛行機を選べば、バッテリーに関するページは消えます。これは、通常のコンピュータプログラムがナビゲートするのに苦労する、奇妙で変化する風景を作り出します。

これを解決するために、チームは階層的ベイズ最適化フレームワークを構築しました。彼らは、これらのルールを理解する特別な「地図」（サロゲートモデルと呼ばれます）を作成しました。その地図は、もし水上飛行機を選んだら水上飛行機の変数のみを見るべきであり、もしドローンを選んだらドローンの変数に切り替えるべきであることを理解しています。彼らは、高価なフルシミュレーションを毎回実行することなく、特定の艦隊構成がどの程度うまく機能するかを予測する「水晶玉」として機能するガウス過程という手法を用いています。

野火のテスト：サラミス島

彼らの新しい「スマートな探偵」が実際に機能したかどうかを確認するために、研究者たちはアテネ近郊のサラミス島における森林火災のデジタルシミュレーションを用いてテストを行いました。彼らは、暑く晴れた日に火災が発生し、二つの都市を脅かしているシナリオを設定しました。彼らの任務は、コストと排出量を低く抑えつつ、火災の拡大を阻止するための最適な艦隊構成を見つけ出すことでした。

彼らは、新しい手法を「ベースライン」シナリオと比較しました。ベースラインとは、標準的な水滴投下戦術を用いる2機のDHC-515航空機の伝統的な艦隊です。シミュレーションにおいて、この旧来型の艦隊は火災を食い止めることはできましたが、消火に8時間近くかかり、すでに11.79 km²の土地が焼失していました。被害額は1153万ユーロと推定されました。

次に、彼らの階層的ベイズ最適化アルゴリズムを解き放ちました。それは単に数字を微調整するだけでなく、全く異なる戦略を探索しました。210回の高価なシミュレーションチェック（初期の推測と170回のスマートな洗練の組み合わせ）を実行した後、アルゴリズムは2つの「パレートフロント」解を見つけ出しました。これらは、「何かを改善しようとすると（例えば速度）、他の何か（例えばコスト）が悪化してしまう」という、いわゆる「ゴールデン・ロックスポット（理想的な地点）」です。

結果は驚くべきものでした。最適化された艦隊は、（サポート用の12機のeVTOLドローンのフル艦隊に加え）8機または12機の水上飛行機を使用していました。これらは火災をより迅速に鎮火させました。

• 8機の水上飛行機艦隊は、わずか2時間で火災を鎮火させ、焼失面積を6.67 km²に、被害コストを683万ユーロに減少させました。
• 12機の水上飛行機艦隊はさらに速く、1.6時間で終了し、焼失面積を6.37 km²、コストを6.53万ユーロに抑えました。

しかし、トレードオフもありました。最適化された艦隊は（わずか2機の代わりに8〜12機の水上飛行機を使用するため）規模が大きいため、ベースラインの1.63トンと比較して、より多くの燃料を消費し、より多くの排出量（2.60〜2.64トンのCO2）を生み出しました。しかし、論文は、この特定のシナリオにおいては、都市を救い、大規模な火災被害を軽減することは、追加の排出量に見合う価値があると示唆しています。

アルゴリズムが実際に学んだこと

この論文の最も興味深い部分は、アルゴリズムがどのようにして解を見つけ出したかという点です。それは単に「もっと飛行機を使え」と言ったのではありません。艦隊がどのように振る舞うべきかについて、具体的な階層的ルールを発見したのです。

1. 戦術の重要性： アルゴリズムは、水上飛行機にとっての最良の戦略は艦隊の規模に依存することを理解しました。12機の水上飛行機艦隊は、ミッションの間ずっと「水」戦術（直接水を投下する）を維持しました。しかし、8機の水上飛行機艦隊は、最初は「植生」戦術（火の回りを防ぐために植生に焦点を当てる）で開始し、その後ミッションの後半で「水」戦術に切り替えました。
2. 「切り替え」のロジック： アルゴリズムは、いつ戦術を変更すべきかを学習しました。8機の水上飛行機艦隊の場合、戦術の切り替えは「稼働時間（飛行時間）」に基づいて決定されました。12機の水上飛行機艦隊の場合、その圧倒的な数によって戦術が十分に効果的であったため、切り替えを行わないという決定を下しました。
3. 飛行機の設計： 最適化は単に飛行機を選んだだけでなく、それらを設計しました。アルゴリズムは、12機の水上飛行機艦隊には、攻撃的でペースの速いミッションをこなすための高速、高航続距離、高ペイロードが必要であると示唆しました。対照的に、8機の水上飛行機艦隊は、戦術の切り替えのタイミングを利用して補うことで、低速、最小限の航続距離、中程度のペイロードを持つ飛行機が最適であると判断しました。

まとめ

この論文は、現実世界のあらゆる森林火災問題を解決したと主張しているわけではありません。それは、これらの複雑なコンピュータ・シミュレーションにおいて、階層的なアプローチが、システム設計の「選択型アドベンチャー」のような性質をナビゲートする上で、伝統的な手法よりもはるかに優れていることを示しています。ある選択が他の選択を打ち消し合うことをコンピュータに教えることで、より速く、より安価な解決策を見つけ出すだけでなく、なぜそれらの解決策が機能するのかという理由までも明らかにすることができました。

著者らは、この手法が将来の艦隊設計において、単に火災と戦うためだけでなく、異なる種類の機械が協力する必要があるあらゆる複雑なミッションにおいて、ゲームチェンジャーになり得ると示唆しています。シミュレーションは依然として一つのモデルであり、現実世界の条件（予測不可能な天候や機械的故障など）によって状況が変わる可能性があることは認めています。しかし、現時点では、適切な数学的な「探偵」があれば、私たちの都市を炎から救う可能性のある、よりスマートで適応力の高い飛行チームを設計できることを証明しました。