MIT、極端事象のシナリオ生成に新手法を公開し、大量データ不要を示す

都市の防潮堤は大型台風を耐え抜けるのか？地域の電力網は記録的な猛暑に持ちこたえられるか？そして、町の消防資源は大規模な山火事を抑止できるのか。

これらの問いに答えるためには、まず地域社会が「どのような極端な事象が起きうるか」を理解する必要があります。山火事はどの程度拡大する可能性が高いのか？台風は地域のどこまで影響を及ぼすのか？熱波はどれほど長く続くのか。

しかし、極端な事象の予測は notoriously 困難です。その性質上、それらは外れ値（アウトライヤー）に過ぎません。記録が残されている歴史において、極端な事象は散発的で稀な出来事です。にもかかわらず、地域のリスクを評価する手法の多くは、過去に起きた極端な事象をもとにして、さらに深刻で最悪のケースを想定しています。

そこで MIT のエンジニアが開発したのが、 plausible な極端な事象や最悪のシナリオを生成し、その特性（例えば、大型台風の予想される持続時間、強度、影響範囲など）をマッピングするツールです。この手法の鍵となるのは、過去の極端な事象について事前に知る必要がない点にあります。これにより、将来起こりうる plausible な極端な事象を生成することが可能になります。

この手法は機械学習アルゴリズムの形を取り、地域の日常気象記録や地図データなどのデータセットから学習します。そのデータには、過去に記録された猛暑や豪雨のような極端な偏差が含まれている場合もあれば、含まれていない場合もあります。

研究チームのアルゴリズムは統計的なアプローチを採用し、利用可能なデータから学習することで、ありえない気象シナリオを除外します。そして、特定の頻度（例えば100年に一度など）で発生する可能性のある、現実的な極端事象を生成します。さらに、それらの極端事象が規模や強度、持続時間の観点からどのようなものになるかを予測します。

「私たちは、データセットに存在せず、これまで誰も見たことのない前代未聞の極端な事象をモデル化しようとしています」と、MIT機械工学科の大学院生で計算科学工学センターおよびデータ・システム・社会研究所の准研究員であるカイ・チャン氏は語ります。

「カトリーナ台風のような事象は30年から40年に一度発生するものです」と、MIT機械海洋工学科ウィリアムI・コック教授であり、計算科学工学センターの中核メンバーでデータ・システム・社会研究所の准研究員であるテミス・サプシス氏は付け加えます。「では、100年に一度のカトリーナ台風とはどのようなものになるのでしょうか？どれほど深刻なものになるのでしょうか。私たちがまさに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」

気象現象に限らず、このチームが「Extreme Event Aware（極端事象認識）」や「η-learning」と名付けたアプローチは、ロボットのナビゲーションや金融市場など他の分野にも応用可能です。

「金融市場の暴落は、多くの異なるセクターが複雑に絡み合った極端な出来事です。なぜ市場が暴落するのか、その相互作用を解明できるのがこの手法です」とチャン氏は語ります。

サプシス氏とチャン氏は、この新しい手法についてオープンアクセス論文で詳しく解説しています（2026 年 8 月 20 日付の学術誌『Nature Communications』に掲載）。

「これまで以上に危険な事態」

ある地域の極端な気象事象に対するリスクを推定する際、計画担当者や政策決定者、保険会社は通常、「ニューヨーク市にとって百年に一度の嵐とはどのようなものか？」といった質問を立てます。その答えを出すために用いられるコンピュータシミュレーションでは、過去に発生したような極端で稀な事象のデータを用いて学習させる必要があります。これにより、事象に至るまでの条件を把握し、将来のシナリオを生成するのです。

「既存の方法は、データセット内に既知の甚大な事象が存在することを前提としています。そして、そのリスクを推定するか、あるいは実際に起きた事象を正確に予測しようとするものです」とチャン氏は説明します。「私たちが目指しているのは、これまで経験したどの出来事よりも危険でありながら、なおかつ現実的な『前例のない極端な事象』がどのようなものかを明らかにすることです」

例えば、ニューヨーク市で過去に観測された最大雨量が 200 ミリだとしたら、300 ミリというさらに極端な値をもたらす暴風雨はどのようなものになるでしょうか？そのような事象はこれまで記録されたことはありませんが、起こり得る可能性は十分にあります。都市計画担当者は、その暴風雨がどこを襲い、どの程度の範囲に被害を与え、どれほど激しいものになるのかを知りたいはずです。暴風雨のシミュレーションを行えば、インフラの評価や補強計画に役立てることができます。

「私たちは、こうした最悪ケースのシナリオマップを予測したいのです」とサプシス氏は語ります。「稀にしか発生しない事象を効率的に予測できる手法は、まだ存在しません。」

極限学習

チームが開発した新しいアルゴリズムは、過去の極端な事象データで訓練する必要なく、あり得るが前例のない極端なシナリオを生成します。そのためにこのアルゴリズムは、2 種類のデータ間の関係性に関する統計（確率）を組み合わせて学習します。それが「点統計」と「空間マップ」です。

実証のため、研究チームは本手法を米大陸全域における将来の極端な降水イベントの地図生成に適用しました。まず、25 年分の時間分解能（1 時間ごと）の降水量マップを収集し、これを日次マップに統合します。その全記録から、マップ上の最大降雨量が特定のレベルに達する頻度を示す地点統計量を計算しました。その後、アルゴリズムは記録の最初の 6 ヶ月間に限られた低解像度と高解像度の空間マップのペアを用いて訓練されましたが、この期間には最も極端な降雨レベルの事例はほとんど含まれていませんでした。

これらのデータから、アルゴリズムは低解像度マップ内のパターンが、詳細な高解像度の降水量マップとどのように対応するかを学習しました。そして、そのマップに表現される降雨の極値を制約するために地点統計量を利用します。この組み合わせにより、アルゴリズムは訓練データに含まれるものよりもさらに極端なイベントに対して、妥当な空間パターンを生成することが可能になります。例えば、最大 300 ミリメートルの降雨をもたらす「百年に一度」の豪雨イベントが発生する可能性のある場所、規模、強度などが挙げられます。

ユーザーは、「ニューヨーク市で百年に一度の嵐がどのようなものか？」といった質問をアルゴリズムに入力できます。すると、アルゴリズムはその頻度で発生しうる統計的に妥当な嵐の地図を生成します。これには、嵐の規模、影響範囲、降雨強度などの特性が含まれます。

「100 年に一度の事象に対する耐性を備えた仕組みを作りたい」と考える人もいるでしょう」とチャン氏は語ります。「その場合、我々が実現できるのは、同様の稀な頻度で発生しうる数千ものシナリオを生成することです」。

関連する点統計や空間データが入手可能であれば、この手法は極端な洪水や山火事など、前例のない他の事象の可視化にも応用可能です。

「極端事象はもはや環境問題にとどまらず、戦略上の課題となっています。効率を追求した結果、グローバルシステムにはほとんど余裕がなくなっています。その代償として、一度発生した極端事象は数週間でサプライチェーンやエネルギー市場、食料システムへと波及します」とサプシス氏は指摘します。「まだ未曾有の事象に対して確率を見積もれるようになることは、国家と経済のレジリエンスを問う重要な課題となっています」。

本研究の一部は、ヴァンネア・ブッシュ教員フェローシップおよび米国空軍科学研究局の支援により実施されました。