PreDiff：潜在拡散モデルを用いた降水量予測

地球システム予測は従来、計算コストが高く、専門知識を要する複雑な物理モデルに依存してきました。過去10年間で、時空間的な地球観測データが飛躍的に増加したことを背景に、深層学習技術を用いたデータ駆動型予測モデルの開発が進みました。これらのモデルは多様な地球システム予測タスクにおいて有望な成果を示していますが、不確実性の取り扱いに課題を抱えたり、分野固有の事前知識を無視したりする傾向があり、結果として複数の可能性を平均化した曖昧な予測や物理的に現実的でない予測を生成する問題が生じています。こうした課題を克服するため、確率的時空間予測を目的とした2段階パイプラインを提案します。1）まず、確率的予測が可能な条件付き潜在拡散モデル「PreDiff」を構築しました。2）次に、予測結果を分野固有の物理的制約に整合させるための明示的な知識整合機構を導入しました。この機構は、各ノイズ除去ステップにおいて強制された制約からのずれを推定し、それに応じて遷移分布を調整することで実現されます。本研究では、カオス的挙動を示す合成データセット「N-body MNIST」と、現実世界の降水短時間予測を目的としたデータセット「SEVIR」の2つのデータセットを用いて実証研究を行いました。具体的には、N-body MNISTではエネルギー保存則を、SEVIRでは予測される降水量の強度を制約として設定しました。実験の結果、PreDiffが不確実性を適切に扱い、分野固有の事前知識を有効に組み込み、実用性の高い予測を生成できることを示しました。