新たな研究によると、機械学習は地震やパンデミックなど、まれに起こる壊滅的な事象を予測できる可能性がある。
研究者らは、統計アルゴリズムと強力な機械学習技術を組み合わせ、シナリオを予測できるようにこれを訓練した。
この新たな手法は、従来のより伝統的なモデリングの取り組みを上回る性能を示した。
新たな研究では、機械学習が地震やパンデミックなど、まれに起こる壊滅的な事象をどのように予測できるかが示されている。
この研究は、高度な機械学習システムと逐次サンプリング技術を組み合わせることで、科学者が極端な事象を予測するために膨大なデータセットを必要とする問題をどのように回避できるかを示唆している。
極端な事象（地震、パンデミック、あるいは沿岸構造物を破壊しうる「異常波」など）によって引き起こされる災害を予測しようとすると、計算モデリングはほぼ克服不可能な課題に直面する。統計的に言えば、これらの事象は非常にまれであるため、次にいつ起こるかを正確に予測するモデルを用いるにはデータが不十分なのである。
しかし、新たな研究はそうである必要はないことを示している。
『Nature Computational Science』に掲載された研究で、研究者らは、正確で効率的な予測を行うためにより少ないデータで済む統計アルゴリズムと、強力な機械学習技術を組み合わせ、過去の記録が乏しいまれな事象であっても、シナリオ、確率、そして時には時間軸までも予測できるように訓練した方法を説明している。
その結果、研究者らは、この新たな枠組みにより、従来この種の計算に必要とされてきた膨大な量のデータを不要にする方法が得られることを見いだした。その代わりに、まれな事象を予測するという大きな課題は、本質的に量より質の問題へと集約される。
「これらが確率的な事象であることを理解する必要があります」と、ブラウン大学で応用数学および工学の教授を務める研究著者のジョージ・カルニアダキス氏は述べる。「COVID-19のようなパンデミックの発生、メキシコ湾での環境災害、地震、カリフォルニアでの大規模な山火事、船を転覆させる30メートルの波――これらはまれな事象であり、まれであるがゆえに、過去の歴史的データが多くないのです。」
「過去のサンプルは、将来をさらに先まで予測するには十分ではありません。本論文で我々が取り組む問いは次のとおりです。必要なデータ点の数を最小限に抑えるために、利用できる最良のデータは何か？」
研究者らは、アクティブラーニングと呼ばれる逐次サンプリング技術にその答えを見いだした。この種の統計アルゴリズムは、入力されたデータを分析できるだけでなく、より重要なことに、その情報から学習して、算出される結果と同等かそれ以上に重要な、新たな関連データ点にラベルを付けることができる。最も基本的なレベルでは、より少ないもので、より多くのことを可能にするのである。
これは、研究者らが本研究で用いた機械学習モデルにとって極めて重要である。DeepOnetと呼ばれるこのモデルは人工ニューラルネットワークの一種であり、連続する層において相互に結合したノードを用いて、人間の脳のニューロン間で形成される結合をおおむね模倣している。
DeepOnetは深層ニューラルオペレーターとして知られている。これは、典型的な人工ニューラルネットワークよりも高度で強力である。実際には二つのニューラルネットワークを一体化したものであり、データを二つの並列ネットワークで処理するためである。これにより、何を探すべきかを学習した後は、膨大な量のデータやシナリオを猛スピードで分析し、同じく膨大な量の確率を算出することができる。
この強力なツールの課題、特にまれな事象に関わる場合の課題は、深層ニューラルオペレーターが有効かつ正確な計算を行えるように訓練するには、膨大な量のデータが必要となる点である。
本論文で研究チームは、アクティブラーニング技術と組み合わせることで、データ点が多くなくても、分析対象の壊滅的事象につながる、探すべきパラメーターや前兆が何かをDeepOnetモデルに学習させることができることを示している。
「目的はあらゆる可能なデータをシステムに投入することではなく、まれな事象を示すであろう事象を能動的に探すことにあります」と、カルニアダキス氏は述べる。「実際の事象の例はあまり得られないかもしれませんが、その前兆は得られるかもしれません。数学を通じてそれらを特定し、実際の事象とともに、このデータを大量に必要とするオペレーターを訓練する助けとするのです。」
本論文では、研究者らは、このアプローチを、パンデミック時の危険な急増のパラメーターと確率の異なる範囲の特定、異常波の発見と予測、そして応力により船体が真っ二つに割れる時期の推定に適用している。例えば異常波――周囲の波の2倍を超える大きさの波――については、時間とともに非線形に相互作用する可能性の高い波の状態を検討することで、異常波がいつ形成されるかを発見し定量化できることを見いだした。その結果、元の大きさの3倍にまで達する波が生じることもある。
研究者らは、新たな手法が従来のより伝統的なモデリングの取り組みを上回ったことを見いだし、あらゆる種類のまれな事象を効率的に発見し予測できる枠組みを提示するものだと考えている。
本論文で研究チームは、科学者が将来の実験をどのように設計すべきかを示し、コストを最小限に抑えつつ予測精度を高められるようにしている。例えばカルニアダキス氏は、ハリケーンなどの気候事象を予測するために、この新たな手法を用いて環境科学者と既に協働している。
本研究はマサチューセッツ工科大学のイーサン・ピカリングとテミストクリス・サプシスが主導した。カルニアダキス氏と他のブラウン大学の研究者は、2019年にDeepOnetを発表した。現在、この技術の特許を申請中である。
本研究への支援は、国防高等研究計画局、空軍研究所、海軍研究局から得られた。
