誘導型生成モデルを用いた極端事象の発生確率評価

科学、工学、金融のあらゆる分野において、最も重要なリスクは「発生確率は低いが、影響が甚大」な事象から生じます。これらの事象の発生確率を、ランダムに入力を引き出してモデルを繰り返し実行し、稀な結果の出現頻度を推定する brute-force Monte Carlo サンプリング（全数サンプリング）で算出しようとすると、膨大な数のモデル反復が必要になります。特に、各サンプルが計算コストの高い物理ベースのモデルから得られる場合、その負担は計り知れません。

ガイド付き拡散モデルは、稀な事象へと導く新たな手段を提供しますが、このアプローチには決定的な課題があります。もしモデルが分布の裾野（テール）を過剰にサンプリングしてしまった場合、どのようにしてこれらのサンプルの真の発生確率を推定すればよいのでしょうか。

新しい論文「Towards accurate extreme event likelihoods from diffusion model climate emulators」(https://arxiv.org/abs/2605.03802) では、気候科学の文脈でこの問題に取り組みます。具体的には、拡散ベースの気候モデルを熱帯低気圧へと誘導し、ガイド付きと非ガイド付きの確率からオッズ比を計算します。本記事では、その手法を最小限の実行例として、熱帯低気圧のケースで解説していきます。

まだ取り組むべき課題は山積みです。新たな手法の検証やパフォーマンス最適化が必要であり、将来的には科学分野や経済分析における次世代リスク解析の劇的なコスト削減につながる可能性があります。

以下では、この仕組みが実際にどう機能するか、クイックスタートガイドも交えて詳しく見ていきましょう。

気候極端現象のためのガイド付き拡散モデル

極端気象リスクは、従来の気候シミュレーションではサンプリングコストが高くつきやすい、希少かつ局所的な事象に依存することが多い。例えば、特定の海岸線付近で発生する熱帯低気圧が十分な確信を持ってその発生確率を推定するには、非常に大規模なアンサンブル計算が必要となるケースがある。これが、上陸リスク分析や気候帰属実験、インフラ計画、保険モデルの構築、そして下流の影響評価などにおいてボトルネックとなっている。

本研究では、拡散ベースの気候エミュレーターが、単に現実的な大気状態を生成するだけでなく、その状態に対する有用な確率推定も可能であることを示した。NVIDIA の「cBottle」と呼ばれる拡散ベースかつ気候条件付きの気象状態生成器を用いて、モデルを熱帯低気圧の状態へと誘導し、誘導ありと誘導なしの分布間のオッズ比を計算することで、希少事象に対する重要性サンプリングを実現した。

これはなぜ重要なのか。単にモデルを誘導するだけでは不十分だからだ。もしモデルが希少事象へと向けて操作されれば、設計上それらの事象は過剰サンプリングされてしまう。そのサンプルを使って確率推定を行うには、その誘導によって発生確率がどの程度変化したかを把握する必要がある。オッズ比はこの補正を提供し、元の気候分布下での確率を推定しつつも、希少事象の重要性サンプリングを可能にする。

このワークフローの実装は、AI 気候・気象処理向けのオープンソース推論プラットフォーム「NVIDIA Earth2Studio」内で利用可能です。具体的な例としては、CBottleTCGuidance というサンプルコードがあります。

ガイド付きサンプリングからオッズ比へ

cBottle 熱帯低気圧ガイダンス・ワークフローは、ユーザーが指定した熱帯低気圧の活動に基づいて大気のサンプルを生成します。Earth2Studio の例では、ガイダンステンソルによってフロリダ近辺の特定の場所と、ハリケーンシーズン中のサンプリングが指示されています。

概念的には、このモデルは生成された大気状態に対する 2 つの確率を比較します。

そして

対数オッズ比（log-odds ratio）は以下の式で表されます。

この値は、ガイダンスなしのモデルと比較して、ガイダンスありのモデルにおいてサンプルがどれだけ起こりやすくなるかを定量化したものです。

ガイダンスなしの分布における確率を、ガイダンス付きのサンプルから推定する際には、対応する重要性重み（importance weight）を用います。

これにより、重要性サンプリングが可能になります。つまり、稀な事象が発生する領域でより多くのサンプルを生成し、それらを元の気候分布における発生確率を推定するために再加重（リウェイト）するのです。

Earth2Studio でのガイダンス付き熱帯低気圧サンプリングの実行

Earth2Studio の例では、組み込みの「CBottleTCGuidance」診断モデルが使用されています。セットアップではデフォルトの cBottle TC ガイダンスパッケージを読み込み、NGC からチェックポイント（重みファイル）をダウンロードします。

from earth2studio.models.dx import CBottleTCGuidance

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

package = CBottleTCGuidance.load_default_package()

高速パスは、標準的なガイダンス付き推論のために最適化されています。ここではフロリダ付近に 1 つのガイダンスポイントを配置し、緯度 27.0 度、経度 -82.0 度を使用します。さらに例では、ハリケーンシーズン中の特定の時刻を 1 つ指定しています。

lat = torch.tensor([27.0], device=device)

lon = torch.tensor([-82.0], device=device)

times = [datetime(2005, 10, 11, 12)]

model = CBottleTCGuidance.load_model(package, seed=0).to(device)

guidance, coords = model.create_guidance_tensor(lat, lon, times)

guidance = guidance.to(device)

guided_sample, guided_coords = model(guidance, coords)

出力される guided_sample には、生成された大気の状態が含まれています。

これにより、10 メートルの東西風（zonal wind）や平均海面気圧など、解析や可視化に使用できる変数を容易に抽出できます。この例では、カリブ海領域における 10 メートルの東西風成分 u10m をプロットしています（図 1）。この可視化により、指定された場所付近に、一貫性のある熱帯低気圧風の構造が生成されているかを確認できます。

対数オッズ比の計算

ガイド付きの熱帯低気圧をサンプリングする利点もありますが、本研究の主要な貢献は、そのサンプルが「ガイドあり」の分布において、「ガイドなし」のベースモデルと比較してどれほど発生しやすいかを推定できる点にあります。

オッズ比の計算には生成フローの発散（ダイバージェンス）を推定する必要があり、これにはモデルを通じた 2 階微分が必要となります。そのため、本例では allow_second_order_derivatives=True を指定してモデルを再読み込みしています。

model = CBottleTCGuidance.load_model(
    package,
    seed=0,
    sampler_steps=2,
    allow_second_order_derivatives=True,
).to(device)

log_odds_ratio, forward_latents, latent_coords = model.calculate_odds_ratio(
    guidance,
    coords,
)
print(f"Log odds ratio: {log_odds_ratio:.4f}")
print(f"Forward latents shape: {tuple(forward_latents.shape)}")

本例では実行速度を上げるため、サンプラーのステップ数（sampler_steps）を減らしています。より高品質なサンプルを得て、オッズ比の値を安定させるには、デフォルトの設定を使用するのが望ましいです。

返される log_odds_ratio は、ガイダンスが生成されたサンプルの発生確率をどれだけ変えたかを示します。負の値であれば、そのサンプルは「ガイドあり」の分布において、「ガイドなし」のベースモデルよりもはるかに発生しやすいことを意味します。

また、forward_latents テンソルには、オッズ比計算に使用されたガイド付きのサンプルデータが含まれています。

なぜ気候科学にとって重要なのか

この論文は、拡散モデルによる気候エミュレーターが、従来は実用的な形で得られなかった大気状態全体の確率情報を提供できることを示しています。

これは極めて重要です。多くの気候に関する問いは本質的に確率的なものだからです。研究者たちは、特定の海岸線付近で熱帯低気圧が発生する可能性がどの程度か、海表面温度の変化によってその確率がどう変わるのか、そして誘導型生成モデルが、単純な試行錯誤的なサンプリングよりも効率的に稀な事象を生成できるのかを知りたがっています。

誘導型生成とオッズ比診断を組みわせることで、基礎となる気候分布における発生確率を推定しつつも、稀な事象をより頻繁にサンプリングすることが可能になります。この論文では、熱帯低気圧の状態に対する重要性サンプリングを実現し、単純なモンテカルロ法と比較して標準誤差を 25% 削減することに成功しています。

気候分野を超えた可能性

例として取り上げられているのは熱帯低気圧ですが、このアイデアはより広範な応用が可能です。生成モデルを、稀だが重要な分布の領域へと誘導し、その誘導によってサンプルの確率がどれだけ変化したかを計算する手法です。

このアプローチは、稀な事象がリスクを支配する分野で有用となるでしょう。具体的には、電力網の回復力、航空宇宙における応力試験、金融におけるテールリスク推定、新材料の発見、ロボティクスでのエッジケース対応、そして分子シミュレーションなどが挙げられます。

単純なサンプリングでは重要な事象がほとんど検出されない場合でも、誘導型生成サンプリングにオッズ比補正を組み合わせることで、稀な事象の推定を実用的なものに変えることができます。

今後の研究の方向性

現在の結果は初期段階ですが、有望なものです。これらの手法をより高速に、より正確に、そしてより広く適用可能にするためには、さらなる取り組みが必要です。

拡散サンプリングは計算コストが高くつきがちです。特にオッズ比の計算に 2 階微分が必要となる場合、その負担は大きくなります。より高速なサンプリャの開発やモデルの蒸留（ディストillation）、あるいはステップ数を減らした拡散手法の採用により、稀な事象の尤度推定をスケーラブルなものにできる可能性があります。密度推定の精度向上と、対数オッズ計算の安定化を図れば、下流の確率推定に対する信頼性も高まります。また、より精密なガイダンス関数を設計することで、異なる事象タイプや強度、地域を対象としつつ、物理的な整合性を保つことも可能になるでしょう。

熱帯低気圧は極端現象の一例に過ぎません。同様の手法を、大気川（アトモスフェリック・リバー）、熱波、激しい嵐、干ばつ状態、そして複合的な極端事象にも適用できるか検討する価値があります。拡散エミュレータが異なる気候条件で訓練されている場合、ガイダンス付きの確率推定は、異なる境界条件や気候状態間での事象発生頻度を比較する、新しい帰属分析のような実験を支援する可能性もあります。

始め方

論文はこちら：Towards accurate extreme event likelihoods from diffusion model climate emulators

また、Earth2Studio のサンプルコードもご参照ください。05_cbottle_tc_guidance.py

詳細な背景情報は、cBottle 論文『Climate in a Bottle』および NVIDIA Earth2Studio の GitHub リポジトリをご覧ください。

Climate in a Bottle

NVIDIA Earth2Studio GitHub repository