見えない極端を想像する——MITの統計的な賭けと、その数学的な代償

過去に前例のない気象現象の予測は、データ駆動型モデルにとって最も難しい課題のひとつだ。過去の事例が存在しないところでこそ、不確実性は跳ね上がる。この限界を越えるために、2026年8月20日にNature Communicationsで公開された論文「Extreme Event Aware (η-) Learning」（論文番号 s41467-026-76811-x）は、極端さを示す観測量の統計によって学習を拘束する方法を提案している。著者はMIT Center for Computational Science and Engineeringの博士課程学生カイ・チャン氏と、テミス・サプシス教授。両氏はこの制約を1-Wasserstein項として損失関数に組み込んだ。チャン氏はMIT Newsに対し、目的は「誰も見たことがなく、データセットにも存在しない、極端で前例のない事象をモデル化すること」だと説明している。

手法はERA5-Landデータセットを用いた降水のダウンスケーリング課題で検証された。対象は1999年から2023年までのアメリカ本土における毎時の総降水量で、日単位の地図に集約されている。モデルの空間部分の学習には記録の最初の6か月分だけが使われた。MITによれば、この期間には極端な降雨の例はほとんど含まれていない。評価は高解像度と低解像度を対にした9,044枚の地図で行われた。このアプローチは、歴史的な前例のない最悪シナリオを計画担当者が数値で見積もれるようにするために生まれた。サプシス教授が挙げる「百年に一度のカトリーナ」がその例だ。MITの発表は問題を一つの問いとして示す——ニューヨークで観測された最も激しい降雨が200ミリだとして、300ミリをもたらす嵐とはどんな嵐なのか。これは問いの立て方であって、モデルが出した結果ではない。

もっとも、歴史的データの外へ踏み出す力には、点ごとの再現精度という代償がついてくる。arXivのプレプリントの数値によれば（Nature Communications版は有料の壁があり、最終版との照合はできなかった）、統計的制約を入れると、平均二乗誤差（MSE）だけに基づく標準的な学習に比べて点ごとの忠実度が下がる。場全体では二乗平均平方根誤差（RMSE）が2.878から3.112へ（+8.13%）上昇し、構造的類似性指標（SSIM）は0.947から0.944へ低下する。裾の部分集合——分位点 ≥0.95、≥0.975、≥0.99——ではRMSEの増加が9.21%から10.30%に達する一方、SSIMの低下は0.48%未満にとどまる。バルクの部分集合ではRMSEが6.20〜6.92%増える。精度はどこでも悪化するが、この手法が本領を発揮すべき場所でこそ、より大きく悪化するということだ。著者自身が認める限界には、スカラーの観測量から極端事象の空間的位置を一意に特定できないこと、参照分布を正しく指定できるかに結果が決定的に依存すること、そして事象を生む物理的メカニズムの特定がなされていないことが挙げられている。

Vannevar Bush Faculty Fellowshipと米空軍科学研究局（U.S. Air Force Office of Scientific Research）の助成を受けたこの研究は、ロボットの航行や金融市場への理論的な応用にも道を開くとされる。ただし実証されたのは降水という単一の変数と、アメリカ本土という単一の地域だけであり、しかも直接観測ではなく再解析データが使われている。MIT自身、他の災害へ広げるにはその災害に固有の統計と地図が要ると書いている。著者グループの外部による独立した検証は確認できず、防災機関や気象機関による実運用も見当たらない。

トレードオフは明示されている——どこでも数パーセントの精度を差し出す代わりに、歴史的データが持たないシナリオを手に入れる。それが割に合うかどうかは、あらかじめ選んだ参照分布がどれだけ現実に似ているかにかかっている。著者たち自身が critical だと指摘している、まさにその一点だ。

— Olya