12月10日、ネイチャー誌は2024年に最も影響力のある10人を発表しました。ノーベル賞ほど権威はありませんが、1世紀以上前に創刊されたこの一流学術誌は科学の進歩を目の当たりにしており、選ばれた10人は、その年の重要な科学イベントをある程度反映しています。選出された1人の中には、Google DeepMindの研究者であるレミ・ラム氏もいます。

Nature誌はレポートの中で、ラム氏が機械学習を用いた気象予報の改善における先駆者であると指摘しています。この分野は近年急速な進歩を遂げており、ラム氏と彼のチームは常に最前線を走ってきました。マイクロソフト、NVIDIA、ファーウェイ、欧州中期予報センター（ECMWF）といった企業や機関がAIを活用した気象予報システムの開発に競い合っている中、 「今年の大部分において、精度の点でリードしていたのは、ラム氏が率いるGraphCastというプロジェクトでした」。

レミ・ラム、画像クレジット: Alecsandra Dragoi for Nature

注目すべきは、このリストが発表される少し前に、ラム氏のチームが新しい天気予報モデル「GenCast」を提案したことだ。このモデルは、80以上の地表および大気の変数をカバーし、8分以内に15日間の世界規模のランダム予報を生成するという新記録を樹立した。

DeepMindやGoogleでさえ、なぜ天気予報にAlphaFoldのような開発手法、つまり同じモデルを継続的に改良して「驚異的な」製品を生み出す手法を選ばなかったのかと疑問に思う読者もいるかもしれません。これは主に2つの要因に関連していると私は推測します。まず、予報サイクルが異なることです。短期、中期、長期の天気予報はそれぞれ適用シナリオや精度要件が異なるため、単一のアプローチで予測するのは困難です。次に、天気予報分野における現在の技術的課題、つまりAIが主流になるのか、それとも従来の数値予報とAI予測が共存するのかという問題です。

短期、中期、長期の予測を考慮し、従来の手法とAIを統合する

短期予報は通常、今後1～3日間の気象状況を指し、気温、降水量、風速、風向などの気象変化に関する詳細な情報を提供します。これらは主に人々の日常生活を導き、大雨などの緊急事態に備えるのに役立ちます。中期予報は、今後3～10日間の気象予報を指し、より広範な傾向予測を提供します。主に農業計画、貯水池管理、洪水/干ばつ警報、物流サプライチェーン計画に使用されます。長期予報は、今後10日間以上の気象予報を指し、傾向と気候モデルを提供します。大規模なインフラプロジェクトの計画や、寒波や高温などの異常気象による医療資源の逼迫に備える公衆衛生部門に使用されます。

技術的な観点から見ると、短期予測にはより高い時間解像度と、ディープラーニングに基づく時系列モデルなどのより高度なモデルが必要です。中期予測では、より長期的な大気および海洋の力学プロセスを考慮する必要があり、長期予測は高解像度の数値シミュレーションではなく、パターン認識と統計に基づく傾向があります。

一般的に、単一のモデルで短期、中期、長期の予測の複雑さを同時に満たすことは困難です。例えば、短期予測には高解像度が求められる一方、長期予測には広い範囲の予測範囲が求められます。また、短期の天気予報は精度が高い一方で、長期の天気予報は誤差が大きくなります。こうした違いにより、モデルは異なるタスク間でトレードオフを行う必要があり、モデルの最適化の難易度が高まります。

そのため、現在の研究成果の多くは、単一のタスクにおいて高い精度と短い処理時間を目指すことに重点を置いています。Googleも当初はこの戦略を採用していました。

2023年には、ラム氏が率いるGraphCastが立ち上げられました。DeepMindが中期気象予報向けに開発したグラフニューラルネットワークに基づくこの自己回帰モデルは、再解析データから直接学習することができ、今後10日間の世界全体の数百の気象変数を1分以内で0.25°の分解能で予測できます。1,380の検証ターゲットにおいて、GraphCastはターゲットの90%において、最も精度の高い決定論的運用システムを大幅に上回る性能を示しました。

予測速度に関して言えば、1 つの Google TPU v4 で 10 日間の天気予報を 60 秒で完了できます。

6時間前の天気と現在の天気を入力するだけで、GraphCastは今後6時間の天気を予測できます。このプロセスでは6時間単位で過去へスクロールできるため、最大10日先までの最新の予報が表示されます。

2024年、Google Researchは長期気象予測ツール「NeuralGCM」をリリースしました。その名称は、研究チームが選択した技術的アプローチを明確に反映しています。言うまでもなく、「Neural」はニューラルネットワーク、「GCM」は物理ベースの気象シミュレーター「General Circulation Models（大循環モデル）」の略です。その名前が示すように、 NeuralGCMは大気力学微分可能ソルバーと機械学習を組み合わせており、伝統的な物理学的手法とAIの統合は、まさに現在の気象予測研究のトレンドです。

NeuralGCM は、小規模物理学向けに従来の流体力学ソルバーとニューラル ネットワークを組み合わせます。

AIが気象研究に革命をもたらす以前、数値天気予報はほぼ1世紀にわたり、この分野の主流技術でした。物理学と気象理論の原理に基づき、大気の運動を記述する流体力学と熱力学の方程式を解くことで、大気の状態の傾向を予測します。機械学習などの技術の登場により、業界内ではAIが数値天気予報を完全に置き換えるかどうかについて、大きな議論が交わされています。

振り返ってみると、両者の融合こそが最適な解決策だったと言えるかもしれません。NeuralGCMを例に挙げると、従来のコンピューティング技術は大規模な物理プロセスのシミュレーションに頼りつつ、AI技術は小規模な現象（雲の形成や地域の微気候など）にも対応し、小規模なスケールで蓄積された誤差を修正することができます。

これに基づき、NeuralGCM は、1～15 日間の天気予報から最長 10 年間の気候予報まで、さまざまな時間スケールにわたって同種の最高のモデルに匹敵する精度を備え、パフォーマンスの飛躍的な向上を実現しました。

具体的には、0.7°解像度の決定論的モデルであるNeuralCGM-0.7°は、天気予報の精度において純粋な機械学習モデルを上回り、1～15日間の予報では欧州中期予報センター（ECMWF）の予報とほぼ同等の性能を発揮します。さらに、長期気候予測において、NeuralCGMの40年間の気候シミュレーション結果は、ECMWFデータが示す地球温暖化の傾向と一致しています。

DeepMind が同時に開始した複数のブレークスルーにより、天気予報の範囲が拡大します。

12月4日、DeepMindはNature誌に「機械学習による確率的天気予報」と題した研究論文を発表し、機械学習に基づく新しい天気予報手法「GenCast」を提案しました。レミ・ラム氏はその責任著者の一人です。この手法は、Googleの天気予報分野における研究を完結させるものであり、技術的アプローチと予測精度の両面において、より包括的なものとなります。
論文の宛先:
https://www.nature.com/articles/s41586-024-08252-9

技術的なアプローチに関しては、どちらも機械学習手法ですが、GenCastはグラフニューラルネットワークに基づくGraphCastとは異なります。GenCastは拡散モデルをベースとし、ノイズ除去にはTransformerを使用します。さらに、予測精度の面では、GenCastはNeuralGCMと比較して空間解像度が大幅に向上しており、小規模な気象現象をより明確に記述できます。

具体的には、数十年にわたる再解析データで訓練されたGenCastは、 8分以内にランダム性を持つ15日間の世界気象予報を生成でき、12時間ごとに0.25°（緯度経度）の空間解像度で出力し、80以上の地表および大気変数をカバーします。研究者は1,320の予測対象を評価した結果、GenCastはENS（Ensemble Numerical Weather Prediction System）を97.2%の予測対象で上回り、特に異常気象、熱帯低気圧の進路予測、風力発電予測において優れた性能を示しました。

ENSと比較して、GenCastは様々な意思決定シナリオにおける異常気象への備えにおいてより高い価値を提供します。青い線はGenCast、灰色の線はENSを表しています。

まとめると、DeepMindとGoogle Researchは気象予報の分野で多方面で協力し、様々な技術的アプローチを探求しながら、より包括的な予測範囲を実現しました。これには、決定論的な短期・中期気象予報と長期気候予測が含まれます。両社は、高性能な純粋機械学習手法に加え、数値予報とAIを統合した「六角形の戦士」を擁しています。

天気予報モデルを構築する際の問題点から始まり、さまざまなアイデアが競い合っています。

確かに、天気予報分野で支配的な地位を占めているのはGoogleだけではありません。Huawei、Microsoft、Nvidiaなども関連する成果を発表しています。Googleのように「広範囲に網を張る」わけではありませんが、それぞれ独自の強みを持っています。

例えば、ファーウェイのPangu天気予報モデルは、従来の数値気象予測モデルを予測精度で凌駕する初のAI手法であり、予測速度は1万倍以上高速です。AI天気予報の精度不足という課題に対処するため、地球座標系に適応した3D地球固有トランスフォーマーを提案し、階層的な時間集約戦略を用いて予測の反復回数を削減することで、反復誤差を低減しています。

Microsoft 初の大規模大気モデルである Aurora は、 0.1° という高い空間解像度で動作できるため、大気の動きの複雑な詳細を捉え、 1 分以内に 10 日間の高解像度の天気予報を正確に提供します。

NVIDIA は、気候科学者のすべての研究結果を統合し、世界中の科学者が共有できる、フルスタックのオープン気候デジタル ツイン クラウド プラットフォーム EARTH-2 を開発しました。

学術界は、予測解像度を0.09°まで向上させた初のAI気象モデル「FengWu-GHR」や、季節未満の気候予測に活用できる「Fuxi」など、数多くの成果を上げてきました。

現在の気象予報研究は、空間解像度の向上を目指しつつ、短期から中期の確定的予報と気候予測のニーズを包括的に満たすことを目指し、多種多様な技術が同時に活発に研究され、間違いなく盛んに行われています。AI技術の継続的な進化を考えると、将来的に支配的な技術が出現するかどうかはまだ分かりません。しかしながら、短期的には、AIと従来の数値予報を組み合わせることが依然として優れた解決策であり、この基盤に基づいて空間解像度の限界を打破するには、さらなる探究が必要です。

参考文献:
1.https://www.nature.com/articles/d41586-024-03898-x
2.https://mp.weixin.qq.com/s/boOoF782fm1s65hCQ-smpg
3.https://mp.weixin.qq.com/s/0krO