Nonlinearly Coupled Permafrost Dynamics From Graph Neural Networks

北極海の氷の下、数百メートルの堆積物の下に隠された、地球の近年の過去の膨大な凍結した遺産があります。これはサブシー・パーマフロスト（海底永久凍土）です。かつては氷河期に凍った空気にさらされていた乾燥した陸地でしたが、海面の上昇とともに水没した土壌の層です。今日、この凍った地面は海洋の温暖化に伴ってゆっくりと融解しています。このプロセスには、土壌を流れる水の動き、岩石を通じて移動する熱、塩分が溶解し移動する様子、そして氷が溶けたり再形成されたりする、複雑で目に見えないダンスが含まれています。この凍った層が数千年にわたってどのように変化するかを理解することは極めて重要です。なぜなら、その崩壊は海底を不安定にし、海底インフラを脅かし、閉じ込められたメタンガスを海洋に放出する可能性があるからです。しかし、これらの変化をシミュレーションすることは、科学者にとって途方もない課題でした。このシステムを支配する物理法則は非常に複雑であるため、たった一つの場所の未来を予測するための単一のコンピュータモデルを実行するだけで、数時間の集中的な計算能力を必要とし、あらゆる可能性の全範囲を理解するために必要な何千ものシミュレーションを実行することは、事実上不可能でした。

このボトルネックを解決するために、テキサス大学オースティン校の研究チームは、数分の一秒でこの凍った地面の挙動を予測できる新しい種類の人工知能を開発しました。従来の計算機のように物理方程式をステップごとに解く代わりに、彼らは機械学習システムに、地面が時間の経過とともにどのように変化するかというパターンを学習させました。彼らは、北極の海底の40万年間にわたる数千のシミュレーション履歴をコンピュータに投入し、圧力、温度、塩分濃度、および氷の含有量がどのように共に進化するかを学習させました。その結果、現実世界の「早送り版」とも言えるデジタル・サロゲート（代理モデル）が誕生し、パーマフロストの未来の状態を驚くべき精度で予測できるようになりました。テストにおいて、この新しいシステムは、凍った地面の詳細な挙動を再現し、慎重かつ低速な物理シミュレーションとほぼ完璧に一致させつつ、数千倍の速さで実行することができました。

研究者たちは、熱や水が次の土壌の層へとどのように移動するかという、隣接する点同士の関係を理解するように設計されたタイプのニューラルネットワークを用いて、このツールを構築しました。彼らはこのシステムを「PermaCycleGNS」と名付けました。これを訓練するために、彼らは現在、これらの環境のモデリングにおけるゴールドスタンダード（標準）である「PermaCycle」という高精度な物理シミュレータから得られたデータを使用しました。物理シミュレータは、あらゆる微細な時間ステップにおいて水、熱、塩分の相互作用を計算しなければならないため、一つのシナリオを実行するのに数時間を要します。対照的に、新しいAIモデルは、物理シミュレータのデータからこれらの相互作用の「ルール」を学び、それを瞬時に適用します。チームは、このAIを2種類の課題でテストしました。第一に、トレーニング中に見たものと同様のシナリオを予測させ、既知の例の間を補間できるかどうかを確認しました。第二に、パラメータがこれまで見たこともないような、極端な条件下でのシナリオを予測させることで、限界まで負荷をかけました。

結果は、このAIが単なる高速な計算機ではなく、堅牢な予測器であることを示しました。標準的なテストケースにおいて、AIによる圧力、温度、塩分レベルの予測は物理シミュレータの結果と驚くほど近く、誤差は測定が困難なほど微小でした。最も予測が困難だったのは土壌中の氷の量でした。なぜなら、氷は滑らかな変化ではなく、鋭く突然のバーストとして形成・融解するためです。ここにおいても、AIは良好なパフォーマンスを発揮し、凍結と融解のタイミングと深さを捉えました。研究者が未知の極端なシナリオでモデルをテストした際も、AIは正確性を維持しており、単にトレーニングデータを暗記したのではなく、基礎となる物理学を真に学習したことを示しました。これらの困難な極端なケースにおけるエラー率は、標準的なケースと比較してわずかに高い程度であり、モデルが北極が提示し得る全範囲の条件を扱えることを証明しました。

この成功の鍵は、AIに自身のミスを処理する方法を教えるために研究者が用いた特定の訓練手法にありました。通常、コンピュータがイベントのシーケンスを予測する場合、最初の方にある微小な誤差が時間の経過とともに増幅し、最終的に予測を台無しにしてしまいます。研究者たちは、AIに一度に数ステップ先を見通すよう訓練し、予測が大きくなりすぎる前に自ら修正する方法を強制的に学習させました。「カリキュラム」として知られるこの手法は、氷の飽和度の急激な変化を追跡するモデルの能力を大幅に向上させました。このテクニックがなければ、氷に関するモデルの精度ははるかに低くなっていたでしょう。これを用いることで、AIは40万年のタイムライン全体にわたって凍った地面の状態を明確に把握し、正規化誤差1000分の1未満で物理シミュレータの出力と一致させることができました。

旧来の方法と新しい方法の速度差は驚異的です。従来の物理シミュレータが標準的なコンピュータプロセッサで単一のシミュレーションを実行するのに約5時間を要するのに対し、新しいAIモデルは強力なグラフィックスカードを使用して、同じ40万年の予測を数秒で完了できます。もし研究者が多くのシミュレーションを同時に実行し、並列処理を行うようにグループ化すれば、そのスピードアップはさらに劇的になり、従来の方法よりも20万倍近く速くなります。この速度の飛躍は、科学者ができることを変貌させます。何が起こるかをおおよそ把握するために数少ないシミュレーションを実行する代わりに、彼らは今や、気候、土壌、および海洋条件のあらゆるバリエーションを探索するために、数千、あるいは数百万のシミュレーションを実行できるのです。これにより、どの要因が最も重要であるかを正確に理解する詳細な感度解析を実施し、以前は不可能であった詳細なレベルで予測の不確実性を定量化することが可能になります。

研究者たちは、現在のモデルが海底の1次元の断面、つまり単一の垂直な土壌カラムに限定されていることを認めています。現実の海底は複雑な3次元の景観であり、次のステップは、この技術をより広い領域をカバーするように拡張することです。また、彼らは、現在のモデルが地面に自由ガスが含まれていないことを前提としていることも指摘しており、これはすべての現実世界のシナリオに一致させるために将来のバージョンに追加される必要がある可能性があります。これらの制限にもかかわらず、この研究は、使用されたアーキテクチャが、同様の物理法則に支配される他の複雑な地球システムにも適用できるほど柔軟であることを示しています。低速で高コストな物理シミュレーションを、高速で正確な機械学習エミュレータに置き換える能力は、研究者がコンピューティング能力の限界に縛られることなく、地球の過去と未来についてより深い問いを投げかけることができる、地球科学の新しい時代の扉を開きます。北極の下の凍った地面は、もはやゆっくりと解明されるべき謎ではありません。それは今やリアルタイムで探索可能なシステムとなり、これから訪れる変化に対するより明確な展望を提供しています。