気候AIモデル、少数シナリオで精度向上

マサチューセッツ工科大学（MIT）などの研究チームは、気候モデルの機械学習代替システム（エミュレータ）において、訓練データのシナリオ設計を最適化することで、少ない計算資源で高い予測精度を実現する手法を発表した。論文はarXivに公開されている。

従来の気候エミュレータ研究は、物理的制約を埋め込んだモデルアーキテクチャの改良に注力してきた。しかし研究チームは、訓練データに用いられる「ScenarioMIP」と呼ばれる標準的な排出シナリオ群が構造的多様性に乏しく、予測精度の上限を制約していると指摘した。アーキテクチャの工夫だけでは越えられない「天井」が存在するという。

研究チームが開発した手法は、微分可能な簡易気候モデル（SCM）を用いて訓練データへの微小変動がエミュレータの損失関数に与える感度を計算し、エミュレータの予測精度が最大化されるよう訓練シナリオを反復的に更新するものだ。この最適化された1シナリオで訓練したエミュレータは、標準的な6シナリオで訓練したものを上回る精度を示した。さらに、温室効果ガスとエアロゾルなど異なる気候強制要因の物理的挙動を、単一強制実験なしで分離して学習できることも確認された。

この成果が企業経営にもたらす含意は広範にわたる。第一に、エネルギー・電力業界の長期投資計画に直結する。再生可能エネルギー事業者や電力会社の経営企画部門は、発電設備の立地選定や将来の需給予測に気候シミュレーションを活用するが、現行の大規模気候モデルは計算に膨大な時間とコストを要する。今回の手法により高精度エミュレータを低コストで構築できれば、シナリオ分析の頻度と解像度を高め、投資意思決定の質の向上に寄与する。

第二に、損害保険・再保険業界のリスクモデリング精度向上が期待される。アクチュアリー部門や自然災害リスク評価チームは、洪水・干ばつ・暴風雨の発生確率を推計する際に気候モデルの出力を参照する。エミュレータの汎化性能が向上すれば、これまで訓練データに含まれなかった新たな排出経路下での損害額推定精度が高まり、保険料率設定や準備金積立の適正化というKPI改善につながる。

第三に、企業のサステナビリティ部門が行う気候関連財務情報開示（TCFD）対応においても有効性が高い。物理的リスクの定量評価にはシナリオ分析が不可欠だが、企業が独自に精緻な気候シミュレーションを実施するには計算資源が障壁となっていた。最適化シナリオで訓練した軽量エミュレータをAPIサービスとして提供するビジネスモデルも現実味を帯びる。

農業・食品業界においても影響は大きい。収穫量予測や作付計画の最適化に気候データを活用する農業法人にとって、地域スケールでの気温・降水量変動の精度向上は直接的な収益管理KPIに反映される。

研究チームは今後、より複雑な結合大気海洋モデルへの同手法の適用可能性を探る方針である。計算資源の制約が緩和されない現状では、「少数の動的に豊富なシナリオが伝統的な排出経路の拡充より限界価値が高い」という今回の知見は、気候AIサービスの開発戦略に根本的な見直しを迫るものとなろう。