Making the most from abrupt and sparse data: Data-driven interpolation from sporadic sensors of contaminant concentration with extreme spatial gradients in saturated porous media

私たちの足元の地面は、多くの人が想像するような均一なスポンジのようなものではないことがほとんどである。実際には、土壌やその下の水で満たされた岩層は、微細な孔や亀裂、そして変化する密度が入り混じった混沌としたモザイク状の構造をしている。化学的な汚染物質がこの隠れた世界に入り込むとき、それは静止した水の中のインクの滴のように均一に広がっていくのではない。むしろ、地球の不均一な質感が、毒素を狭く、速い動きの経路へと押し込み、清潔な領域と汚染された領域の間に、鋭くギザギザとした境界を作り出すのである。このことが、汚染の範囲をマッピングすることを極めて困難にしている。汚染物質がどこへ行ったのかを理解するために、科学者たちは通常、穴を掘ってサンプルを採取しなければならないが、掘削は費用がかかり、侵襲的であり、かつ限定的である。彼らは広大で複雑な景観の中に点在するわずかなデータポイントを手に、その間にあるものを推測しようとしているのである。これらの空白を埋めるための伝統的な手法は、地面が滑らかで予測可能であることを前提としていることが多いが、その仮定は、汚染が隠れた不規則な経路を突き進んでいる場合には完全に破綻してしまう。

イスラエル工科大学テクニオンの研究チームは、このパズルを解くための新しい方法を開発した。それは、混沌を滑らかにしようとするのではなく、混沌から学ぶというアプローチである。彼らの手法は、この問題を単純な推測ゲームとしてではなく、信号再構成のタスクとして扱う。世界は穏やかで連続的であると仮定する固定された数学的ルールに頼る代わりに、彼らは、汚染物質が乱れた地下環境の中で実際にどのように移動するかという統計的なパターンを学習するコンピュータモデルを構築した。研究者たちは、水の流れの複雑さや土壌における化学物質の不規則な挙動を模倣した、汚染物質輸送の数千ものシミュレーションシナリオを作成した。そして、それらのシミュレーションを用いてデジタルな「デコーダー」を訓練し、少数の疎なセンサーの読み取り値から、汚染場の完全で詳細なマップを予測できるようにした。このシステムは、土壌の特定の特性やサイトの境界を知る必要はない。単に、測定可能な数少ない地点と、その間にある隠れた現実との関係性を学習するのである。

この研究の結果は、この新しい手法と、科学者が数十年にわたって使用してきたツールとの間の鮮明なコントラストを明らかにしている。研究者たちが、クリギング（kriging）のような古典的な補間技術に対して彼らのアプローチをテストした際、その差は劇的であった。滑らかで緩やかな変化には適している伝統的な手法は、地下汚染の特徴である濃度の一時的な急上昇を捉えることができなかった。それらは過度に滑らかなマップを作成し、汚染物質が実際に流れている危険な高濃度の経路を事実上、ぼかして消し去ってしまった。これらのテストにおいて、古い手法は地面の真の状態との相関がほとんど見られなかった。しかし、この新しいデータ駆動型の手法は、汚染のギザギザとした、チャンネル化された性質を再構成することに成功した。それは、他の手法が見逃した急峻な勾配や狭い経路を正確に再現し、実際のシミュレーション場と強い相関を示した。

シミュレーション自体から、地下での汚染の振る舞いに関する新たな理解を提供する重要な発見が得られた。研究者たちは、汚染物質のストリームが多孔質の地中を移動する際、単に拡散するだけでなく、合流し、集約する傾向があることを観察した。隣接する汚染のストリームは、移動するにつれて、より少なく、より濃縮されたチャンネルへと収束していく。この合流する挙動が、問題を解決することを難しくしている極端な空間勾配を生み出すのである。新しい手法が優れているのは、この特定の物理的挙動をデータから学習しているからである。それは、汚染が拡散した雲ではなく、収束するストリームの集合体であることを認識しており、物理学が指示する通りに、まさにそこに「埋め合わせ」の値を配置することができるのである。

また、本研究では、この仕組みを機能させるために実際にどれだけの数のセンサーが必要かについても調査が行われた。研究者たちは、このシステムが非常に少ないデータポイントでも十分に機能することを発見した。30個のセンサーを用いたセットアップでテストを行ったが、分析によれば、大幅に少ない数でも、使用可能で正確な再構成が可能であることが示された。マップの品質はセンサーが増えるにつれて向上したが、その利得はすぐに減少した。主要なパターンが捉えられてしまえば、センサーを追加しても付加価値はほとんど得られなかったのである。このことは、多くの穴を掘ることが不可能であったり、コストがかかりすぎたりする現実世界のシナリオにおいて、この手法が非常に効果的である可能性を示唆している。

研究者たちは、彼らの知見が、実際の汚染現場からの測定値ではなく、コンピュータシミュレーションによって生成された合成データに基づいていることを認めている。しかし、このフレームワークは適応できるように設計されている。流れと拡散の複雑な物理学を捉えた現実的なシミュレーションを用いて訓練することで、モデルはそれらのルールを明示的に教えられることなく、環境の根底にあるルールを学習する。このアプローチは、地面が滑らかであると想定することから、それが実際にどのように振る舞うかを学習することへの転換を意味している。この研究は、空気汚染の滑らかで連続的な拡散と、飽和した土壌における汚染物質の突発的でチャンネル化された移動という、二つの全く異なる世界を、一つの統計的構造がいかに橋渡しできるかを示している。補間を幾何学的な問題ではなく、学習の問題として扱うことで、研究者たちは、環境管理者がこれまで到達できなかった明晰さをもって、汚染の隠れた危険な経路を見通すためのツールを提供したのである。