MIT、歴史的データなしに極端気象を予測するAIツールを開発

MIT のエンジニアが、過去の災害データを用いずに極端な天候を予測する AI ツールを開発しました。

機械工学の大学院生カイ・チャンとテミス・サプシス教授が開発したこのツールは、その地域の歴史記録には残っていないものの、統計的には起こり得る事象の地図を作成します。各マップには、事象の予想される持続時間や強度の見積もりに加え、影響が及ぶ可能性のある領域に関する別見積もりも含まれています。

過去の事例がない極端な天候イベントの予測

サプシス教授は MIT の機械海洋工学におけるウィリアム・I・コック教授職に就いています。両研究者は MIT 計算科学工学センターに所属しており、サプシス教授はまた MIT データ・システム・社会研究所にも兼任しています。この「極端事象認識型学習（η-learning）」と呼ばれる手法の詳細は、8 月 20 日に『Nature Communications』に掲載された論文で発表されています。

既存のリスクモデルは異なるアプローチをとります。保険会社、都市計画担当者、電力グリッド運営者は通常、特定の場所で百年に一度の嵐がどのようなものになるかを知りたいと考えています。現在のシミュレーションでは、極端な事象が含まれているデータセットを基盤としており、それらが引き起こされた条件を学習した上で、同様のパターンを将来へ投影します。

チャン氏は、現在の手法がモデルの示す可能性に制限を生んでいると指摘します。「これらの方法は、データセット内で観測された非常に壊滅的な事象が存在することを前提としており、そのリスクを推定するか、あるいは実際に発生した事象を正確に予測する方法を構築しようとするのです」と彼は述べています。

サプシス氏は、ハリケーン・カトリーナという事例を通じて同様の限界を説明します。「カトリーナのような事象は 30〜40 年に一度起こるものです。では、100 年に一度起きる『カトリーナ』とはどのようなものでしょうか？どれほど深刻になるのでしょうか？まさに私たちが定量化しようとしているのはこれであり、計画担当者が現実的な極端なシナリオに備える手助けをするためです」と彼は付け加えています。

点統計と空間詳細の融合

このアルゴリズムは 2 種類のデータに基づいて動作します。点統計は、マップ全体で観測された最大降雨量のような特定の強度レベルが、データセット内でどの程度の頻度で発生するかを捉えます。一方、空間マップは、事象の影響が地域によってどのように異なるかを示します。

この 2 つの間の統計的関係を学習させることで、アルゴリズムは事前学習データに存在しないような事象に対しても、その具体的な極端事例を事前に例示することなく、空間パターンを構築できるようになります。

研究チームはこの手法を、米本土全域における降水現象に対してテストしました。まず、25 年分の時間ごとの降雨データを収集し、それを日次マップに集約します。その後、この全期間を通じてマップ上の最大降雨量が特定のレベルに達する頻度を記述する点統計を計算しました。

空間モデルの学習期間は限られていました。アルゴリズムの一部は、25 年間の観測記録のうち最初の 6 ヶ月間に限定された、低解像度と高解像度のペアマップを用いて訓練されましたが、この期間には豪雨レベルの極端な事例がほとんど、あるいは全く含まれていませんでした。

アルゴリズムは、低解像度マップのパターンが高解像度版の詳細とどのように対応するかを学習し、その後、記録全体から得たポイント統計情報を適用して、生成されるパターンがどの程度極端になりうるかを制約しました。

最悪ケースのマップを用いたインフラのテスト

ニューヨーク市で観測史上最高とされた降雨量は 200 ミリメートルです。本手法は、観測記録に存在しない 300 ミリメートルというレベルの豪雨を想定した、妥当性のあるマップを生成することができます。

ユーザーは訓練済みのアルゴリズムに対して、「百年に一度の嵐」が特定の都市でどのような様子になるかを問い合わせることができます。出力されるのは、その頻度で統計的に妥当な嵐を示すマップ群です。各マップには固有の規模と影響範囲があり、降雨強度もセット全体を通じて多様に変化します。チャン氏によれば、このアルゴリズムは一度に大量のシナリオを生成することが可能です。

生成されたマップは、観測史上例のない高潮に対して都市の防潮堤が耐えられるかをテストする際に役立ちます。また、同様のマップを用いれば、長期化する熱波の下で電力網が維持できるか、あるいは記録に残るどの火災よりも大規模な山火事を消火資源で抑え込めるかなども検証できます。

現状のデモにおける限界

この手法を新たな災害リスクに適用するには、その特定の災害に関する関連する点統計データと空間データが必要だと、チャン氏とサプシス氏は指摘しています。両氏は、そのようなデータが入手可能になった後の拡張可能性についても言及しており、例えば歴史的記録に類例のない深刻な洪水や山火事の可視化などが挙げられます。

サプシス氏は、グローバルインフラは効率性を追求して最適化されており、それが支えるシステムにはほとんど余裕がないと指摘しています。

「単一の極端現象が数週間でサプライチェーン、エネルギー市場、食料システムへと波及します」と彼は説明します。「まだ発生していない事象に確率を付与できることは、もはや国家や経済のレジリエンス（回復力）にかかわる問題です。」

関連記事：サムスンヘルス AI モデルがウェアラブル生体信号データを分析

業界リーダーから AI やビッグデータについてさらに学びたい方は、アムステルダム、カリフォルニア、ロンドンで開催される「AI & Big Data Expo」をご覧ください。この包括的なイベントは TechEx の一部であり、サイバーセキュリティ＆クラウドエキスポなど他の主要なテクノロジーイベントと併催されています。詳細はこちら。

本ニュースは TechForge Media によって提供されています。その他の企業向け技術イベントやウェビナーはこちらからご確認ください。

この記事は AI News に掲載された「MIT AI が歴史的データなしで極端気象を予測」の続報です。