異常気象のモデリングは計算負荷が大きい。100年に1度の熱波を1例生成するには、少なくとも100年分のシミュレーションが必要となる。高解像度気候モデルでは、スーパーコンピュータを用いても数カ月から数年の計算時間とエネルギーを要する。
シカゴ大学、CNRSパリ、ニューヨーク大学の研究者らは、このコストを削減する手法を開発した。AIで強化した希少現象サンプリング（AI+RES）フレームワークは、深層学習気象エミュレータと軌道分割アルゴリズムを組み合わせ、極端な熱波の統計的特性評価に必要な計算資源を最大1000分の1に削減する。本研究成果は『Physical Review Letters』に掲載が決定している。
仕組み
フレームワークは2つの要素で構成される。第1はAI気象エミュレータであり、気候モデルの出力で訓練された深層ニューラルネットワークが、ほぼゼロの計算コストでアンサンブル予報を実行する。エミュレータは「スコア関数」として機能し、どのシミュレーション軌道が異常気象に至る可能性が高いかを予測する。
第2は軌道分割による希少現象サンプリング手法である。設定された再サンプリング時点で、アルゴリズムは有望な軌道（AIが異常気象を発生させる可能性が高いと識別したもの）を複製し、有望でない軌道を終了する。最も有望な軌道のみが、高忠実度シミュレーションのために完全な物理ベース気候モデル（本ケースではPlaSim）に渡される。
AIコンポーネントは希少現象サンプリングにおける長年の問題を解決する：適切なスコア関数の設計は従来、深い専門知識と広範な試行錯誤を必要とし、特に熱波のような短期間の極端現象では困難であった。AIは気候モデルの出力から自動的にスコア関数を学習する。
実証性能
研究チームはAI+RESを中緯度の熱波について2つの地域（フランスと米国中西部）で検証した。フレームワークは長期PlaSimシミュレーションによる基準統計を低コストで再現した。
AIブースターなしの標準的な希少現象サンプリングは、最も稀な事象については完全に失敗し、最も極端な熱波のサンプルを1つも生成できなかった。物理コンポーネントのない純粋なAIモデルは不正確であり、訓練データを超えて外挿することができなかった。これは純粋なデータ駆動型気象予測の限界である。
Physics Worldの報告記事によれば、本手法は「最大1000分の1」の計算コスト削減を達成した。論文自体はPlaSim熱波検証において30～300分の1のコスト削減を報告しており、高い数値はAI+RESの組み合わせによる効果を反映している。この差は、一般読者向けの分かりやすい概数と具体的な測定値の範囲の違いを示している。
本手法は正確な統計と、異常気象を駆動するメカニズムへの物理的洞察の両方を提供する。つまり、熱波の頻度予測だけでなく、その発生原因の理解にも活用できる。
重要性
気候モデルはより詳細になり、実行コストも上昇している。高解像度モデルの計算コストは研究者が実行可能なシミュレーション数を制限し、稀ではあるが壊滅的な影響を及ぼす可能性のある異常気象の確率推定能力を制約している。
AI+RESアプローチが熱帯低気圧、大気中の河川、洪水、激しい雷雨など他の種類の異常気象にも一般化できれば、気候リスク評価の方法を根本的に変える可能性がある。限られたデータからの統計的外挿に頼るのではなく、現在のコストのごく一部で数千年分の異常気象を直接シミュレーションできるようになる。
著者ら（共同筆頭著者のAmaury Lancelin（CNRS/ENSパリ）とAlexander Wikner（シカゴ大学）、責任著者のDorian Abbot（シカゴ大学）、Freddy Bouchet（ENSパリ）、Pedram Hassanzadeh（シカゴ大学）、Jonathan Weare（ニューヨーク大学））は、AI+RESコードを他の研究者が各自の気候モデルに適用できるよう公開している。
注意点
本手法は1つの気候モデル（PlaSim）と1つのイベントクラス（中緯度夏季熱波）でのみ検証されている。1000分の1という数値は、論文で報告されている熱波ケースの30〜300分の1という測定値よりも、Physics Worldの報道を反映した野心的な上限値である。他のイベントタイプや高解像度モデルへの一般化が次のステップとなる。
開示：本記事はPhysical Review Lettersに掲載された論文に基づく。arXiv：2510.27066。DOI：10.1103/b1gc-9c2q。Physics World（2026年7月6日）経由で報告。
雅子 訳