名探偵ゲーム：数学と機械学習の出会い

あなたは謎を解こうとしていますが、手がかりは半分しか持っていません。科学の世界では、これはよくある問題です。科学者たちは、世界の仕組みについての確かな理論、つまり物理学や生物学の法則のような「ルール」を持っており、これを**メカニスティック・モデル（機構論的モデル）**と呼びます。これはケーキのレシピのようなものだと考えてください。小麦粉、卵、砂糖が必要であり、それらを混ぜる一般的な手順も分かっています。しかし、時としてレシピに重要な材料が欠けていたり、元のレシピでは想定していなかった奇妙な方法でオーブンの温度が変わったりすることがあります。

部屋の反対側には、**ディープラーニング（深層学習／ニューラルネットワーク）**があります。これらは、大量の写真を見て、たとえその特定の猫を見たことがなくても、瞬時に猫であると認識できる超スマートな探偵のようなものです。これらはデータの中にあるパターンを見つけるのが非常に得意ですが、しばしば「ブラックボックス」となります。データを入力すると答えを出してくれますが、なぜその答えになったのか、あるいはどのような根本的なルールがあるのかを必ずしも説明できません。これらは学習するために膨大な量のデータを必要とし、見たことがない状況について推測を求められると、単に作り話をしてしまうこともあります。

科学者が抱いている大きな疑問は、「両者の最高の部分を組み合わせることができるか？」という点です。「既知のルールに基づいた信頼できるレシピ」を取り上げ、そこに「超スマートな探偵」に足りないピースを埋めさせることができるでしょうか？これこそが、ハイブリッド・ニューラル・モデリングという分野が取り組もうとしていることです。これは、硬い科学が「骨格」を提供し、AIがまだ完全には理解されていない「筋肉や神経」を学習するというシステムを構築することです。これが重要なのは、現実世界において完璧なデータが得られることは滅多にないからです。ウイルスの追跡、天候の予測、あるいは脳の活動の研究など、私たちは限られたデータから学習できるほど賢く、かつ未来を予測する上で理にかなった根拠を持つモデルを必要としているのです。

論文：ロボットによるレシピの混合

論文「Hybrid Neural Modelling: Theory and Applications（ハイブリッド・ニューラル・モデリング：理論と応用）」において、トーマス・ガスキン、アナスタシア・バンコウスキー、ステファニー・ウィンケルマンは、この新しい種類の科学の設計者として振る舞っています。彼らは単に「混ぜよう」と言っているだけではありません。どのように、そしていつその混合が機能し、いつ失敗するのかを説明するための厳密な数学的枠組みを構築しています。

「グレーボックス」のスペクトラム
著者らは、これらのモデルを考えるための楽しい方法として、「スペクトル」的な視点を導入しています。スライディング・スケール（目盛り）を想像してみてください：

• ホワイトボックス： すべてのルールが既知であり、書き記されている純粋な数学モデル（完璧な、古風な物理方程式のようなもの）。
• ブラックボックス： 人間の入力がなく、コンピュータがデータから完全にルールを推測する純粋なAIモデル。
• グレーボックス（ハイブリッド）： これがスイートスポットです。既知のルール（ホワイトボックス）は維持しますが、混乱を招く未知の部分をニューラルネットワーク（ブラックボックス）に置き換えたモデルです。

論文では、一部の人々は「古いルールをすべて捨ててAIにすべてをやらせればいい」と考えているが、それは悪い考えであると主張しています。AIがうまく機能するには膨大なデータが必要であり、多くの分野（生物学や社会科学など）では、それほど多くのデータを持っていません。また、純粋なAIはブラックボックスであるため、信頼するのが困難です。既知のルールを保持することで、モデルの解釈可能性を維持し、まだ見ていない事象を予測できる能力を保つことができます。

「足りないピースを学ぶ」魔法
この論文の核心は、私たちの科学的なレシピにある「足りない材料」を見つけ出すようにAIを教える手法です。

• 設定： 流行病（ウイルスがどのように広がるか）のモデルを想像してください。私たちは基本的な数学を知っています。人々は病気になり、回復し、そしておそらく再び病気になる可能性があるということです。しかし、人々が具体的に「どのくらいの速さで」病気になるのか、あるいはその速度が天候によって変化するのかどうかは分かりません。
• トリック： 著者らは、それらの「足りない速度」を推測するために、数式の中にニューラルネットワークを組み込む方法を示しています。ネットワークは実データ（例えば、火曜日には何人が病気だったか）を見て、数学モデルの予測が実際のデータと一致するまで、その推測を調整していきます。
• 結果： シミュレーションにおいて、もし単純な数値（一定の速度など）を推測しようとするだけであれば、AIは素早く完璧に答えを見つけることがわかりました。しかし、複雑で変化する速度を推測するようにAIに求めた場合、手がかりが不十分だとAIは混乱します。過去のデータには完璧に適合する解決策を見つけたとしても、未来の予測においては無残に失敗することがあります。

「多様体（マニフォールド）」の謎
論文の中で最も魅力的なアイデアの一つは、**識別可能性（identifiability）**に関するものです。時として、正解は一つではなく、異なる組み合わせの「足りないピース」がすべて同じように見えることがあります。著者らはこれを、高次元空間における「多様体（マニフォールド）」、つまり正しい答えがすべて存在する「形」として説明しています。

• 比喩： 隠れた物体の影を感じることで、その形を推測しようとしていると想像してください。時には、球体と平らな円盤が、ある角度からは全く同じ影を落とすことがあります。AIは、実際には球体であるにもかかわらず、円盤だと推測して行き詰まってしまうかもしれません。
• 解決策： 論文は、この可能性のある答えの「形」全体をマッピングするために、特殊なタイプのAIアーキテクチャ（エンコーダー・デコーダーなど）を使用することを提案しています。AIにただ一つの答えを選ばせるのではなく、可能性の全景（ランドスケープ）を学習させることで、不確実性に対する理解を深めるのです。

記憶と時間
論文は、記憶の問題にも取り組んでいます。現実世界では、物事は単に「今」起きていることだけに依存するのではなく、昨日、先週、あるいは先月の出来事に依存しています。

• 実験： 彼らはこれを、ショウジョウバエの神経伝達（神経細胞がどのように会話するか）のモデルを用いてテストしました。彼らは「記憶」を持つ特殊なAIであるリカレントニューラルネットワーク（RNN）を使用しました。
• 発見： AIは、神経信号の速度が現在の温度だけでなく、温度変化の履歴に依存していることを学習することに成功しました。これにより、モデルは現在の一時点だけを見るモデルよりも、ハエの将来の行動をより良く予測することができました。

実世界への応用（シミュレーション）
著者らは単に理論を述べるだけでなく、これが実際にどのように機能するかを示すためにシミュレーションを実行しました。

1. 流行病： ハイブリッドモデルは、感染率が時間の経過とともにどのように変化するかを学習できることを示しました。ただし、モデルが「自由」すぎない場合に限られます。もしAIに方程式のあらゆる部分を変更させてしまうと、過去のデータは完璧に記憶したとしても、未来を予測することには失敗しました。
2. レーザー制御： 環境が常に変化している（空気が熱くなったり冷たくなったりするなど）レーザーシステムをシミュレートしました。ニューラルネットワークがコントローラーとして機能し、ビームを安定させるためにレーザーの設定を絶えず調整しました。シミュレーションは、AIがこれらの変化にリアルタイムで適応し、複雑な物理システムを制御する方法を効果的に「学習」できることを示しました。

この論文が否定していること
この論文が言っていないことも明記しておく必要があります。著者らは、科学モデルをすべて純粋なAIに置き換えるべきだという考えに対して、明確に反対しています。著者らはシミュレーションを通じて、訓練データが限られている場合、「ブラックボックス」のAI（ルールを持たないもの）は、新しい状況への汎化にしばしば失敗することを示しました。また、ハイブリッドモデルは強力ではあるものの、魔法ではないことも明確にしています。問題が複雑すぎる場合やデータが少なすぎる場合、AIは依然として「局所解（もっともらしく見える間違った答え）」に陥ったり、真の背後にある物理法則を見つけられなかったりすることがあります。

結論
ガスキン、バンコウスキー、ウィンケルマンは、科学的モデリングの未来に向けた「ユーザーマニュアル」を提供しました。彼らは、未知の部分をニューラルネットワークが解くべきパズルとして扱うことで、データ駆動型でありながら科学的根拠に基づいたモデルを構築できることを証明しました。彼らは、成功の鍵は単にAIを賢くすることではなく、私たちが解こうとしている問題の「形」を理解することにあると示唆しています。もし問題に多くの解が存在する（多様体である）なら、単に一点を選ぶのではなく、その形全体をマッピングできるAIが必要です。このアプローチは、データが乏しく、かつ成否の重みが大きい分野において、世界の支配するルールを見失うことなく、過去から学ぶための有望な道筋を提供しています。