ECMWF AIFS-COMPO、汚染予報を延長するも、依然として物理学に依存
ECMWF AIFS-COMPOは、実験的な世界規模の大気組成予報を10日先まで延長した。これは、補完を目指す運用システムの予報期間の2倍に当たる。ただし、このAIモデルは初期条件を設定するため、依然として物理ベースのシステムを必要としている。
欧州中期予報センター（ECMWF）は、2026年10月16日にこのシステムを発表した。ECMWFのArtificial Intelligence Forecast Systemを応用し、エアロゾル、反応性ガス、気象変数を同時に予測する。
この転換は重要である。大気組成予報は、大気質警報、健康対策、山火事の煙の追跡、南極オゾンホールのような事象の分析を支えている。運用中のCopernicus Atmosphere Monitoring Serviceは現在、世界規模で5日先までの予報を1日2回提供している。
AIFS-COMPOは、異なる計算経路を提供する。開発者らは、はるかに少ない計算資源で複数の汚染物質について競争力のある結果を得たと報告している。しかし、このモデルは依然として実験段階にあり、対象変数は少なく、観測を独力で同化することもまだできない。
したがって中心となる競争は、AI対大気科学ではない。より高速な学習済み予報モデルと、その訓練データを生み出し、現在もあらゆる予報の準備を担う物理的な仕組みとの競争である。
ECMWF AIFS-COMPO、5日予報を10日間の実験へ拡張
当面の変化は、運用中のCAMSシステムの置き換えではなく、より長く高速な予報である。
ECMWFは、世界の大気組成を予測する実験システムAIFS-COMPOの公開予報チャートを公開した。チャートは10日先までを対象とし、主要な汚染物質、ガス、エアロゾルのカテゴリーをカバーする。
このモデルは、PM2.5やPM10を含む粒子状物質の予報を生成する。さらに、一酸化炭素、二酸化窒素、オゾン、二酸化硫黄、および複数のエアロゾル種類も予測する。
これらのエアロゾルには、砂塵、海塩、硫酸塩、バイオマス燃焼に関連する物質が含まれる。変数に応じて、出力は地表面、気圧面、または大気全層の総カラムとして利用できる。
今回の公開は、10月13日から10月15日にアテネで開催された第10回CAMS総会に続くものだった。CAMSのモデル公開発表によると、ECMWFは会期中にチャートの提供開始を発表した。
運用面での比較対象は、ECMWFのIntegrated Forecasting Systemの構成の一つであるIFS-COMPOだ。これは物理・化学方程式を通じて大気プロセスを表現する。
IFS-COMPOは、物質がどのように移動し、反応し、大気へ入って大気から除去されるかをモデル化する。また、衛星観測も同化しており、測定値とモデル推定値を組み合わせて、より良い初期条件を生成する。
このシステムは、1日2回、5日先までの予報を発行する。AIFS-COMPOは、訓練後の予報計算量が少ないため、予報期間を10日先まで延長している。
予報期間が長いからといって、すべての場所や予報時刻で自動的に有用な精度が得られるわけではない。一般に、モデルが初期状態から先へ進むほど予報誤差は蓄積する。
ECMWFによれば、初期評価では複数の重要な大気変数で同等または改善された予報精度が確認された。付随する論文でも、いくつかのエアロゾルおよび粒子状物質の指標でより良い結果が報告されている。
ある比較では、粒子が大気を通過する光をどの程度減衰させるかを示すエアロゾル光学的厚さを調べた。報告された試験期間では、AIFS-COMPOは両モデルが対象とする5日間を通じて、より低い誤差を記録した。
別の事例では、2024年の南極オゾンホールを検証した。AIシステムは、運用プロダクトの現在の5日間の予報期間を超える10日目の予報でも、この事象を表現し続けた。
これらの結果により、この実験は単なる可視化デモ以上のものとなる。学習済みモデルが、既存の運用予報期間を超えても有用な大規模大気シグナルを維持できることを示している。
ただし、ECMWFは依然としてIFS-COMPOを精度と信頼性のベンチマークと位置付けている。AIFS-COMPOはこのベンチマークに取って代わったわけでも、同じ運用上の役割を担っているわけでもない。
この違いは、保健機関、環境分析者、下流のデータサービスにとって重要である。運用プロダクトには、信頼できるスケジュール、文書化された障害対応、多様な条件下での一貫した性能が必要となる。
新しいモデルは、選定された指標で優れた性能を示しても、こうした要件をすべて満たすとは限らない。10日間の公開は、検証プロセスを終えるものではなく、より広範な検証を開始するものである。
AIによる大気組成予報が気象予報より難しい理由
汚染予報では、気象を追跡するだけでなく、排出、化学反応、輸送、除去プロセスも考慮する必要がある。
データ駆動型の気象予報では、従来の数値モデルと競合するシステムがすでに登場している。大気組成には、気象変数だけでは捉えられない追加の難しさがある。
汚染物質は、不均一で変動する発生源から生じる。山火事、産業活動、交通、砂塵嵐、植生、海面飛沫はいずれも大気の状態を変え得る。
その影響は、異なる空間・時間スケールで展開する。ガスは化学反応を起こし、粒子は結合、沈降、降水による洗い流しを受ける場合がある。
風はこれらの物質を国境を越えて輸送する。気温、日射、湿度、雲、降水も、それらの濃度や化学的挙動を変える可能性がある。
観測は地球上で依然として不均一である。気象観測にも不完全さはあるが、大気組成データは特定の化合物や地域で特に不足している場合がある。
既存のCAMS生産システムは、詳細な物理・化学計算を通じてこれらの相互作用を扱う。輸送、排出、化学変換、エアロゾル物理、沈着、降水による除去を表現する。
また、エアロゾル光学的厚さ、オゾン、一酸化炭素、二酸化窒素、二酸化硫黄について衛星観測データを使用する。データ同化は、これらの観測を推定された現在の大気状態に取り込む。
AIFS-COMPOは、この確立されたシステムの出力に含まれる統計的関係を学習する。2003年から2023年を対象とするCAMS EAC4再解析を用いて事前学習された。
再解析は、過去の観測と一貫したモデルを組み合わせ、過去の大気条件を再構築する。直接観測だけでは不完全になる場合に、長期かつ構造化された記録を提供する。
その後、開発者らは2019年から2023年の運用CAMS解析および予報でAIFS-COMPOをファインチューニングした。この段階で、より新しい生産構成にモデルを触れさせた。
最終的な訓練段階では、段階的に長いロールアウトを用いた。自己回帰的ロールアウトでは、モデルの直前の予測を繰り返し次の予報ステップへ入力する。
このプロセスは、誤差の蓄積への対応に役立つ。短い1区間だけを予測するよう訓練されたモデルは、その操作を何度も繰り返すよう求められると不安定になる可能性がある。
AIFS-COMPOの論文によると、このシステムは3時間刻みで予報を進める。気象および大気組成に関する187の変数を予測する。
モデルは、およそ80キロメートルの全球グリッド上で動作する。その出力は広域の輸送パターンを捉えるが、この解像度では近隣地域規模の汚染源をすべて直接表現することはできない。
アーキテクチャは、エンコーダ、プロセッサ、デコーダで構成される。グラフニューラルネットワークのコンポーネントが、入力グリッドと低解像度の内部表現の間でフィールドを転送する。
プロセッサは、全球状態にわたる関係を学習するトランスフォーマーベースの設計を採用している。続いてデコーダが、学習済みの表現を予報グリッドへ投影し直す。
気象と大気組成は共同で予測される。この設計により、風、気温、水分、ガス、粒子のつながりを一つの予報プロセス内でモデル化できる。
この共同アプローチは重要である。汚染は気象から独立して変化するものではなく、気象もエアロゾルや大気化学と相互作用し得る。
モデルの幅広さは、単一の汚染物質を推定したり局地的な解像度を高めたりする、より限定的なシステムと一線を画す。ECMWFの研究者らは、幅広い組成変数群を対象に3時間ごとの全球予報を行う最初のAIモデルだと説明している。
この説明は研究チームによるものであり、提示された範囲内で読むべきである。他の機械学習システムもすでに、エアロゾル、地域的な化学反応、選定された全球環境変数を予報している。
例えばMicrosoftのAuroraは、複数の地球システム予報タスクにまたがる基盤モデルのアプローチを実証している。地域システムでも、汚染物質の輸送や大気化学にディープラーニングが適用されている。
AIFS-COMPOの差別化要因は、ECMWFの確立された予報環境との統合にある。訓練データ、初期条件、比較モデル、公開チャートはいずれもCAMSの運用とつながっている。
速度面の優位性が予報の方程式を変える
AIFS-COMPOは、訓練後の大気組成予報を劇的に低コスト化できることを示し、より長い予報期間とより大規模なアンサンブルの余地を生み出している。
報告されている計算上の差は大きい。研究チームによれば、AIFS-COMPOはグラフィックスプロセッサ1基で、5日間の全球予報を約50秒で生成する。
論文によると、IFS-COMPOの比較実行には、8,000基の中央処理装置を使っておよそ1,000秒かかる。これらの数値は異なるコンピューティングアーキテクチャを説明しているため、ハードウェアコストを直接比較したものではない。
この留保を踏まえても、運用上の可能性は明確である。高速な推論により、毎回完全な数値計算を繰り返すことなく、より多くの予報実行を支援できる。
この能力は、より大規模なアンサンブルを可能にするかもしれない。アンサンブルでは、初期条件やモデル仮定を変えた複数の予報を実行し、不確実性を推定する。
大気組成サービスは、代替構成をより迅速に試験することもできる。研究者は、同じ計算予算内で、より多くの事例、より長い予報期間、あるいは対象を絞った極端事象を検討できる可能性がある。
この効率性は、5日から10日への延長も説明する。従来の化学モデルは、各予報で世界全体にわたる多くの相互作用プロセスを計算しなければならないため、コストが高くなる。
学習済みモデルは、高コストな最適化の大半を訓練時に実行する。一度訓練されると、学習した関係を新しい初期状態に対してはるかに高速に適用できる。
この利点は、大陸を越えて移動する煙や砂塵に特に関連する。より長い予報は、大規模なプルームが取り得る経路を検討する時間を機関により多く与えられる。
また、ゆっくり進展する成層圏の事象を研究者が追跡する助けにもなり得る。報告された南極オゾンホールの事例は、こうした長期予報の利用を示している。
ただし、このAIモデルは現在の生観測の集合を受け取って独力で予報を作成するわけではない。最初の状態は、運用CAMS解析から得られる。
その解析は、物理ベースのシステムの同化プロセスを用いて、すでに衛星データを取り込んでいる。したがってAIFS-COMPOは、現在の大気について慎重に準備された推定値を引き継ぐ。
この依存関係は、速度比較の意味を変える。AI予報は初期化後には低コストだが、その入力を生成するには大規模な運用システムが必要だった。
その関係は、遅く複雑なプロセスから高速ランナーがバトンを受け取る構図に似ている。最初の段階を取り除けば、ランナーは信頼できる出発位置を失う。
したがってAIFS-COMPOは予報モデルであり、まだ完全な予報システムではない。ECMWFも、データ同化は実施しないと明記している。
運用モデルは、より多くの変数を生成し、空間解像度も高い。IFS-COMPOの比較データは約40キロメートル格子を使用するのに対し、AIFS-COMPOは約80キロメートルである。
解像度は局地的な解釈に影響する。広域的な全球フィールドは輸送された煙のプルームを表現できても、都市、道路、火災付近におけるより急峻な濃度差を見落とす可能性がある。
AIシステムには、大気から地表へ移動する物質を表す沈着フラックスもない。IFS-COMPOより表現する化学種も少ない。
こうした欠落により、直接的な代替には限界がある。不足している変数に依存する利用者は、異なる量を対象とした高速予報からそれを補うことはできない。
したがって、意味のある短期的なモデルはハイブリッド型となる。物理ベースの同化が大気状態を確立し、AIが高速な将来予測を行う。
この役割分担により、確立されたシステムの観測処理における強みを維持しながら、反復的な予報のコストを削減できる可能性がある。また、比較のための物理的ベンチマークも維持される。
このアプローチは、従来の予報プログラムに対し、高価なシミュレーションがどこで不可欠な価値を加えているのかを示すよう迫る。ただし、それらのシミュレーションを不要にするわけではない。
むしろ、性能に関する問いを単一の精度スコアから、より広範なトレードオフへと移す。各機関は、速度、予報期間、解像度、変数の網羅性、信頼性、異常事象への対応を総合的に比較検討しなければならない。
CAMS AIモデルにも教師由来の限界がある
AIFS-COMPOは物理ベースのシステムから学習するため、そのシステムに一致することは強みだけでなく、一部の誤りも再現しうる。
CAMSデータで学習することで、AIFS-COMPOは20年分の一貫した全球フィールドを得る。同時に、そのモデルはデータセットに組み込まれた判断にも依存することになる。
再解析は直接観測ではない。利用可能な測定値と物理的仮定を組み合わせて構築される、モデル主導の再構成である。
観測が疎な場合、再構成された状態に対するモデルの影響力は大きくなりうる。この問題は、観測範囲が限定的な汚染物質や、排出量の特性把握が不十分な汚染物質で重要になる。
AIシステムは、その再構成された履歴における繰り返し現れる関係を学習できる。しかし、あらゆる関係が自然現象、モデリング上の近似、あるいは持続的なデータバイアスのいずれを反映するのかを、自動的に判別することはできない。
この循環性を検証する最も強力な手段は、独立した観測である。研究チームは、エアロゾル、粒子状物質、反応性ガス、オゾンに関する複数の監視ネットワークを用いて、2024年の予報を評価した。
この評価は、単にCAMS解析との一致度を測るよりも多くの情報をもたらす。予報の目標として使われていない観測機器と、予測が一致するかを問うものだからだ。
初期結果は、科学的には有用な意味で入り混じっていた。AIFS-COMPOは一部の変数でIFS-COMPOと同等かそれを上回り、他の変数でも競争力を維持した。
エアロゾル光学的厚さと粒子状物質は、報告された中でも比較的強い領域だった。あらゆる地点、季節、化学種、極端事象にわたる性能については、依然として不確実性が大きい。
評価期間が限られている点には注意が必要である。1年には多くの条件が含まれうるが、運用上の大気サービスは変化する気候やまれな事象にも対応しなければならない。
時間変動する排出量も別の空白領域である。現在のAIFS-COMPO構成では、それらを強制入力として明示的に受け取らない。
強制入力は、更新された山火事排出量のように、将来の変化を直接駆動する情報を供給する。これがなければ、モデルは初期状態と学習済みパターンから将来の挙動を推定しなければならない。
事象が既知の事例に近い形で進展する場合、この設計は機能しうる。しかし、初期化後に排出量が急変した場合、信頼性は低下する。
山火事は激化し、火山は噴火し、産業事故は予期せず物質を放出する可能性がある。過去のパターンだけでは、こうした新たな排出量を完全に特定できない。
ECMWFは、Global Fire Assimilation Systemの火災データを統合する取り組みを進めている。同機関は、他の排出量データセットや直接的な大気観測についても検討している。
これらの追加により、モデルは進展中の事象により迅速に対応できるようになるだろう。一方で、アーキテクチャと検証要件はより複雑になる。
現行システムの低い空間解像度も、別の制約となる。80キロメートル格子は、あらゆる都市の汚染勾配を解像しなくても、全球予報を支援できる。
地域予報システムには、より細かな格子と地域排出インベントリが必要になることが多い。また、都市間でカバー範囲が大きく異なる監視局を組み込む場合もある。
全球AI予報は、こうしたシステムに境界条件を提供できる。ただし、道路レベルの曝露推定と混同すべきではない。
予報利用者には不確実性情報も必要だ。単一の決定論的フィールドは、地域や予報リードタイムごとに信頼度が異なる場合でも、精密に見えてしまうことがある。
公開されている予報チャートは実験的な出力にアクセスしやすくしているが、チャートだけで運用上の信頼が確立されるわけではない。
各機関には、独立した観測機器に対する継続的な検証が必要となる。また、砂塵嵐、山火事、オゾン高濃度事象、予期せぬ排出時の挙動を文書化する必要もある。
したがって最も重要な懐疑的論点は、AIが物理法則を無視しているということではない。このモデルは、CAMSが生成した学習データと初期化解析を通じて、物理を間接的に取り込んでいる。
懸念は、その間接的な表現が既知の条件の外でも信頼できるかどうかにある。まれな事象と急速な発生源変化が、最も明確な試験となる。
ECMWF自身の位置づけも、この不確実性を反映している。CAMSディレクターのLaurence Rouilは、運用システムが依然として精度と信頼性のベンチマークであると述べた。
この認識により、今回の公開が早すぎる代替の主張になることは避けられる。AIFS-COMPOは、具体的に判明している欠点を含む評価プログラムの中に位置づけられている。
物理とAIは一つの予報スタックになりつつある
想定される結末は勝者総取りの競争ではなく、物理モデル、観測、AIが異なる役割を担う階層化されたシステムだ。
物理ベースのモデルには、いくつかの構造的な利点が残る。方程式によってメカニズムを明示的に表現し、変化する排出量を受け入れ、学習システムに存在しない変数も扱える。
また、AIFS-COMPOの初期化に使用される解析も提供する。AIシステムが同等の信頼性で異種の観測を同化できるようになるまで、この役割は中心的であり続ける。
AIモデルは異なる利点を提供する。予報範囲の拡大、アンサンブル規模の増加、実験サイクルの短縮を可能にするほど高速に予報を実行できる。
階層化された予報スタックは、こうした特性を組み合わせられる。物理システムが観測を同化し、包括的な大気状態を維持する。
その状態から、1つ以上のAIモデルが高速な予報を生成できる。数値予報は、参照、バックアップ、AIモデルの対象外となる変数の情報源として継続される。
専門的な地域モデルは、局地的な詳細を追加できる。人間の予報官と環境機関は、公共の意思決定に向けて統合された証拠を解釈する。
この構成は、生産的な競争も生み出す。AIモデルが高コストな計算と繰り返し同等の結果を出すなら、研究者はその計算のどの部分がなお必要かを検討できる。
異常事象で失敗した場合、その失敗は不足している入力や表現の弱いプロセスを明らかにできる。どちらの結果もモデル開発に貢献する。
AIFS-COMPOは、学習型地球システムモデルが広がる分野に参入する。気象に焦点を当てたシステムは、計算効率に関する期待をすでに変えている。
大気組成は、この試験を複雑な化学反応と不完全な観測カバレッジを持つ領域へと広げる。ここでの成功は、標準的な気象変数を超えるAI予報を後押しするだろう。
影響は、気候監視、温室効果ガス分析、緊急対応にも及ぶ可能性がある。ただし、それぞれの分野には独自の検証と入力設計が引き続き必要となる。
このシステムは、大気予報研究へのアクセスも広げうる。1基のGPUで動作するモデルは、数千台のプロセッサを必要とする全球化学シミュレーションよりも試験しやすい。
ただし、アクセスはなお不完全である。ECMWFによると、基礎となるAIFS-COMPOデータは、さらなる検証と成熟の後に利用可能となる予定だ。
公開チャートによって利用者は出力を確認できるが、研究者には独立評価のためにダウンロード可能なフィールドが必要である。また、モデルバージョン、学習データ、既知の制約を扱う文書も必要となる。
Anemoi forecasting toolsの利用は、再現可能性に向けた一つの道筋を提供する。Anemoiは、ECMWFと各国の気象機関が共同開発したオープンソースのフレームワークである。
オープンなツール群があっても、学習済みモデルや完全なデータセットが自動的に利用可能になるわけではない。それでも、他の機関がより広範なアーキテクチャを研究する助けにはなりうる。
したがって競争圧力は双方にかかる。従来モデルは、追加の計算がどこで意思決定を改善するのかを示さなければならない。
AI開発者は、選択されたベンチマークを超えた信頼性を示す必要がある。また、高速な推論性能の数字の背後に隠れがちな依存関係も説明しなければならない。
公共機関にとって、より安価な予報に価値があるのは、その品質を測定できる場合に限られる。予報期間の長期化が重要なのは、利用者が時間とともに信頼度がどう変化するかを理解できる場合に限られる。
AIFS-COMPOは、こうした問いを理論上のものではなく運用上のものにする。そのチャートは今、予報官と研究者が追跡できる実験的なライブ製品を提供している。
AIFS-COMPOがデモを超える際に注目すべき点
AIFS-COMPOが運用コンポーネントになるかは、独立検証、リアルタイム排出量、利用しやすいデータアクセスという3つの兆候によって決まる。
第一の兆候は、特定の大気事象にわたる継続的な検証である。ECMWFはすでに、初期評価におけるエアロゾル、粒子状物質、オゾンの結果を示している。
次に必要となる証拠は、より多くの季節と異常な事象を対象にすべきである。大規模な山火事、火山プルーム、砂塵の発生、都市汚染事象、急速な成層圏変化については、個別の分析に値する。
通常条件で良好に機能するモデルであっても、新たな排出量が予報を支配する場合には失敗する可能性がある。事象レベルの検証は、運用利用の根拠を強化するだろう。
不十分または一貫性のない結果は、モデルの研究価値を失わせることなく、代替に関する主張を弱める可能性がある。また、ハイブリッド補正や専門的な入力が必要な箇所を明らかにしうる。
第二の兆候は、時間変動する火災排出量やその他の排出量の統合である。ECMWFは、自らの火災同化システムからの情報を追加する作業が進行中だとしている。
この変更は、現行モデルの最も明確な制約の一つに対処するものとなる。モデルが以前の状態から推定するだけでなく、将来の排出量が予報に影響を与えられるようになる。
重要な試験は、新たな入力が通常時の性能を低下させずに、急速に変化する事象を改善するかどうかである。研究者は、排出量データが欠落または遅延した場合に予報へどう影響するかも説明すべきである。
第三の兆候は、基礎となる予報データと、より充実した評価ツールの公開である。ダウンロード可能な出力があれば、大学、機関、独立した科学者が地域ごとの性能を検証できる。
外部検証は、全球平均では見えない弱点を特定できる。また、10日間予報が特定の汚染物質や地点にとって引き続き有用かどうかも示せる。
運用状況を評価するには、公開データだけでは不十分です。利用者は、文書化されたサービス提供スケジュール、安定したモデル版、不確実性に関するプロダクト、そして既存のCAMSワークフローへの統合状況を確認する必要があります。
予報期間そのものが最終的な評価ではありません。信頼できる6日先の警報は大きな意味を持ち得る一方、不安定な10日先のマップは誤った安心感を生む可能性があります。
AIFS-COMPOの真の貢献は、全球大気組成の予測に、はるかに高速な計算経路を利用できることを説得力をもって示した点にあります。その限界は、既存システムが依然として重要である理由も浮き彫りにしています。
研究者、公衆衛生機関、環境データチームは、実験的なチャートを地域の観測値や運用中のCAMS予報と比較すべきです。視覚的にもっともらしい通常時のマップではなく、困難な事象に重点を置いてください。
この比較によって、決定的な問いへの答えが得られます。排出量が急速に変化し、大気が学習履歴とは異なる振る舞いを示す場合でも、ECMWF AIFS-COMPOは有用な予測スキルを維持できるのでしょうか。
