こんにちは。AX研究室の Robert Hubacz です。
海の状態を予測する技術は、航海や沿岸防災、嵐のリスク評価、さらには気候変動の分析まで、幅広い現場で必要とされています。こうした予測を長く担ってきたのが、従来型の数値海洋モデルです。数値モデルではまず、対象とする海域を格子で区切り、細かなセルの集まりとして扱います。そのうえで、各セルの内部で水の流れや海面の高さ、水温がどう移り変わっていくかを、時間ステップごとに順番に計算していきます。
この計算は非常に重く、専用の計算機を使っても数時間かかることが珍しくありません。しかも海の将来の状態は、風や気圧、初期状態など多くの条件に左右されます。そのため、条件を少しずつ変えながら、同じような計算を何度も繰り返さなければなりません。気象シナリオや初期条件を変えるたびに、シミュレーションを走らせ直すわけです。
そこで役立つのが「代理モデル（サロゲートモデル、surrogate model）」です。代理モデルは数値シミュレーションを置き換えるものではなく、予測を素早く出すために使われます。
仕組みはこうです。まず、過去のシミュレーション結果を教材にして学習します。「ある条件のもとで海流や海面水位、水温がどう変化したか」という例を大量に与えると、モデルはそこに潜む規則性を少しずつつかみ、似た条件での推移を推定できるようになります。
学習そのものには時間がかかることもあります。ただ、いったん学習を終えてしまえば、新しい条件に対する予測は、数値シミュレーションを一から回すよりもはるかに速く得られます。
ここ2年ほどの間に、フーリエ・ニューラル・オペレーター（Fourier Neural Operator, FNO）を使った代理モデルを海洋モデリングに応用する研究が、相次いで発表されました。本記事ではそのうち4つを紹介します。日本海の短期予測、海面水位を予測する OceanNet、時間の扱いを工夫した派生型 FNOtD、そして粗いデータから高解像度の海流マップを復元するダウンスケーリングモデルです。海洋分野の機械学習を網羅的にレビューするものではありません。FNO に絞ったのは、このモデル系統について、現実の海洋タスクへの応用を示す具体的な研究がまとまって出てきているからです。
続きを読む
