地球温暖化や台風などの気象を研究するために使っている「道具」は、いまのところおもに物理学だ。そのなかでも中心になるのは「力学」。物体に力が加えられたとき、その物体がどちらの向きにどのようにスピードを変化させるか。それを数式の形で整理してある。台風の中心は気圧が低いので、外から内向きに大気を押す力が働く。そのとき大気はどう動くのか。実際に台風の予報で使われる数式にはたくさんの種類があり、とても複雑なのだが、「こういう原因があれば、その結果としてこういう現象が起きる」という因果関係が基本になっている。これが、まさに力学の考え方だ。
そこにいま、AIを使ったパターン認識が加わってきた。「深層学習」では、この因果関係を基本にしていない。
小さな子ども、とくに男の子は乗り物が大好きだ。大人が「２本のレールの上を走っていて架線からパンタグラフで電気を取るのが電車」「レールがなくても道路を走れて、黒いタイヤが四つあるのが自動車」などと理屈を教えなくても、何度となく電車と自動車を見ているうちに、その両者を確実に区別するようになる。これが「学習」だ。なにが「原因」となって、電車と自動車を区別できるという「結果」が生じたのかわからなくても、ともかく区別できるようになる。この人間の脳のしくみをコンピューターにまねさせるのが深層学習だ。ある結果が生じれば、どうしてもその原因を突き止めたくなる物理学の流儀とは、まったく別の行き方だ。
ものの考え方からすると、物理学を基本とする従来の気象学と深層学習はなじみが悪い。だが、実際の台風予報では、その両者はすでに共存している。観測機器の乏しい洋上の台風の強さは、気象衛星が撮影した画像をもとに、雲の形などから人間が判断している。この「ドボラック法」は、まさに人間の「学習」によって生み出されたパターン認識の技法だ。同様のことをAIにやらせたら、熱帯低気圧やその手前の「タマゴ」を上手に発見できるのではないか。それが松岡さんらの研究だ。
松岡さんらがAIに学習させるために使ったのは、全地球の気象状態をコンピューターでシミュレーションした約30年分のデータだ。もちろん、この中には、熱帯低気圧などの雲も再現されている。まず、このうち20年分から、熱帯低気圧のタマゴや発達中の熱帯低気圧の雲画像を5万枚用意した。熱帯低気圧にならない雲の画像も100万枚あるので、そのうちから5万枚ずつ10組を用意し、それぞれにさきほどの熱帯低気圧の画像5万枚を組み合わせた。つまり、「熱帯低気圧（5万枚）か否（5万枚）か」の10組の画像データ集が用意されたことになる。熱帯低気圧の5万枚は共通だ。
この10組のデータを使って、AIによる10通りの「熱帯低気圧識別器」を作った。それぞれに10万枚の雲画像を読み込ませ、「これは熱帯低気圧」「これは違う」と覚えこませるのだ。そして、この学習に使っていない新たな雲画像を識別器に見せ、それが熱帯低気圧かどうかを判定させる。それぞれの識別器は別々のデータで学習させてあるので、識別能力に若干の違いがある。その総合評価で、最終的な判定を下す。ちょうど、雲画像を見た10人の人間が合議で判定するようなものだ。
その結果、たとえば、10通りの識別器がすべて「熱帯低気圧またはそのタマゴ」と判定した場合だと、実際に発生していた9個のうち8個が正しく検出されていた。約9割の高い捕捉率だ。風がやがて強まって熱帯低気圧になる3日半も前のタマゴも捉えられていた。また、「熱帯低気圧またはそのタマゴ」と判定したのに外れた「空振り率」は、約1割と低かった。
続きはソースで
■図 松岡さんらがAIに学習させるために使った、シミュレーションによる雲画像。このすべてが「熱帯低気圧またはそのタマゴ」の画像だ。（松岡さんら研究グループ提供）
https://scienceportal.jst.go.jp/news/newsflash_review/newsflash/img/181227_img1_w720.jpg
SciencePortal
https://scienceportal.jst.go.jp/news/newsflash_review/newsflash/2018/12/20181227_01.html
