機械学習を用いた海洋生化学方程式の自動発見において、南極域におけるコロイド状鉄の動態を記述する数理モデルの再構築に成功した。Wang Chengwang氏らの研究チームは、RRS Sir David Attenborough搭載の微量金属クリーンサンプリングシステムで収集した南極Cadman Glacier周辺の水塊データを用い、シンボリック回帰という手法で方程式の自動導出を実施した。その結果、従来のモデルと同等以上の予測性能を維持しながら、構造が単純な6つの方程式を導出し、自然現象の記述における機械学習の可能性を実証した。 発見された方程式は、既存理論で考慮されていた塩分変数を除外している。これは海洋内の塩分変動が相対的に小さく、鉄動態の主要因ではないことを示唆する。また、特定深度のサンプリングより全水深にわたる観測が高精度なモデル構築に寄与することを明らかにし、今後の観測設計への指針を示した。さらに、希少なデータセットからも鉄動態方程式が安定して導出可能であることが確認され、既存の溶解鉄観測地点と連動したデータ収集の重要性が浮き彫りとなった。 本研究成果は学術誌Geophysical Research Lettersに掲載され、機械学習が気候・海洋モデルの高度化に寄与する可能性を示した。研究者らは、観測不足が続く大洋地域における全水深サンプリングの拡大と、GEOTRACES巡査で収集された鉄形態データの開示促進を訴える。機械学習による方程式発見手法は、限られた観測データから複雑な自然システムの核心を抽出する有力な手段として、気候科学および海洋学の分野で本格導入される基盤が築かれた。