TOP500 の NEWS 欄には、毎週スーパーコンピューターに関する最新情報が報告されています。残念ながら、日本のメディアではほとんど報道されません。
当ウェブサイトでは、それらのニュースを定期的に日本語で紹介していきます。

今回紹介する記事は、

Injecting Deep Learning into Climate Models

December 12, 2018

概要

ある研究グループは、スーパーコンピューターを用いた気象予測研究の速度や正確性を向上させるために Deep Learning を用いています。

カリフォルニア大学アーバイン校、Ludwig Maximilian 大学ミュンヘン校、コロンビア大学の研究者によって行われているこの研究は、雲が地球の気象パターンをどのように推進しているかや長期的に気候にどのように影響を与えるかをより正確に予測することを目的としニューラルネットワークの訓練を行っています。その結果得られた “Cloud Brain” として知られるモデルを、気象予測の忠実度と性能を向上させることを期待して、伝統的な気候シミュレーションに統合させました。

物理ベースの気候モデルの問題点は、解像度があまりにも粗すぎるため、大気の挙動を正確に捉えることができないということです。それは、最新の multi-peta Flops のスーパーコンピュータでさえ、すべての大気成分を高い粒度でシミュレートするのは非常に時間がかかるからです。これは特に雲の場合によく当てはまります、なぜならば雲は本質的に小規模な現象だからです。

今週 Yale environment 360 によって出版された記事によると、このような従来のアプローチの限界は、Intergovernmental Panel on Climate Change （IPCC）の結果が他のものとかなり異なる状況をもたらしました。例えば、大気中の二酸化炭素の倍増をシミュレーションしようとすると、あるモデルは 1.5度の温度上昇を予測し、別のモデルは 4.5 度の増加を予測してしまいます。この記事で広く引用されているカリフォルニア大学アーバイン校（UCI）の Cloud Brain 開発者の一人である Michael Pritchard は、「非常に厄介な問題です」と述べています。

Pritchard と彼の同僚によって開発されたニューラルネットワークは、何千もの高解像度モデルを使って雲の影響を予測するように訓練されました。そして、それは大規模シミュレーションに適用することができました。プロジェクトが 9 月に UCI によって発表されたとき、Pritchard はオリジナルの Cloud Brain Network を訓練するのにわずか 3 ヶ月分のシミュレーションモデルを要しただけと強調しました。

UCI の客員研究員としてこのプロジェクトで Pritchard と共同作業を開始したLMU 気象学博士課程の学生 Stephan Rasp 氏は、この研究の重要性を次のように説明しています。「ニューラルネットワークは、雲が熱や蒸気を周囲に移動させる方法に関する基本的な物理的制約を、明示的に指示されることなく近似的に表すことを学びました。この作業は元の cloud modeling approach に必要な処理能力と時間の数分の一で行われました。」

Rasp、Pritchard、そしてコロンビア大学の Pierre Gentine 教授によって執筆された次の研究論文で、彼らは訓練されたニューラルネットワークが伝統的な（粗い）雲のパラメータ化を置き換えることができたと述べました。そして、その結果は非常に有望なものでした。

「予後の複数年シミュレーションは安定しており、雲解像シミュレーションの平均気候だけでなく、降水量極値や赤道波スペクトルを含む変動の重要な側面も再現しています」とも述べられています。

そして訓練されたニューラルネットワークの高効率性のおかげで、これらのパラメータ化を 20 倍にスピードアップすることができました。そして、貴重な計算機資源の使用時間を節約しました。研究者が指摘したように、ディープラーニングを使用することの主な利点は、より高い解像度のデータに基づくより洗練されたニューラルネットワークでも、消費時間が節約できることです。

Cloud Brain はまだ研究プロジェクトであり、Yale Environment 360 の記事に記載されているように、克服すべき多くのハードルがあります。これらのうち最も頑固なものの1つ、そしてより一般的に深い学習に浸透しているものの1つは、ニューラルネットワークがブラックボックスとして機能し、予測の生成方法が明確に示されていないことです。比較する決定的な結果がない未来の気候を予測するために、このアプローチを信頼して良いのかはわかりません。

それにもかかわらず、研究者たちは自分たちの仕事を新しいモデルに拡張するつもりであり、同時にその限界のいくつかを克服しようとしています。 Pritchard氏は、次のように述べています。 「コンピュータビジョンと自然言語処理が、物理学、生物学、化学などの他の科学分野を変革し始めているのを目の当たりにしました。これらの新しい原則のいくつかを気候科学に適用するのは理にかなっています。結局のところ、特に新しいタイプのグローバルモデルが実際の雲と乱流を解決し始めている今日では、大規模データセットに重点が置かれています。」

雑感

この記事によれば、Deep Learning を使うメリットは、従来法に比べて計算コストが圧倒的に安いということなんですね。

一方で、簡単に実験にできるものであれば、ニューラルネットワークの結果を評価することは比較的難しくないですが、気象シミュレーションのように未来予測、ましてや地球規模の科学現象で実験不可能なものだと評価が難しいのですね。

記事中に間違い等ある場合は、コメント欄、twitter またはメールにてお知らせいただけると幸いです。