ニューラル拡散方程式を用いた気候モデリング

深層学習技術の顕著な進展に伴い、深層学習に基づく気候モデルの構築に向けた多数の試みがなされている。多くの既存手法が再帰型ニューラルネットワーク（RNN）やグラフニューラルネットワーク（GNN）を用いている一方で、本研究では、ニューラル常微分方程式（NODE）と拡散方程式の二つの概念を統合した新しい気候モデルを提案する。粒子のブラウン運動を伴う多くの物理過程は拡散方程式によって記述可能であり、そのため気候モデルの構築において広く用いられている。一方、ニューラル常微分方程式（NODE）は、データから潜在的な常微分方程式（ODE）の支配方程式を学習することを目的としている。本研究で提示する手法では、これらの二つを統合した単一のフレームワークを構築し、「ニューラル拡散方程式（NDE）」という新たな概念を提案する。本NDEは、拡散方程式と、内在的な不確実性をモデル化するための追加的なニューラルネットワークを組み合わせることで、与えられた気候データセットを最も適切に記述する潜在的な支配方程式を学習可能となる。実世界のデータセット2件および合成データセット1件を用いた実験において、11のベースライン手法と比較した結果、本手法は一貫して有意な性能向上を達成した。