複雑な流体の動きや気候変動を予測するAIに、物理法則そのものを学習させる新しいアプローチが注目を集めています。ハワイ大学の研究チームが開発した物理インフォームド機械学習（Physics-Informed Machine Learning）アルゴリズムは、従来のAIでは困難だった物理的整合性を保ちながら、複雑なデータセットを高精度で処理することに成功しました。
従来の機械学習モデルは大量のデータからパターンを学習しますが、物理法則に反した予測を出力してしまうことがありました。例えば、エネルギー保存則を無視した結果や、質量が突然増減するような非現実的なシミュレーションが生成されることがあったのです。物理インフォームドMLでは、ニュートン力学やナビエ・ストークス方程式といった物理法則を損失関数やモデルアーキテクチャに直接組み込むことで、この問題を解決しています。
Royal Society of Aが発表した研究によると、このアプローチは気象予測や気候モデリングにおいて、物理的整合性の向上、訓練時間の短縮、データ効率の改善、そして汎化性能の向上という4つの成果を同時に達成しています。特に大気力学の分野では、物理インフォームドニューラルネットワーク（PINNs）が汚染源の特定といった逆問題の解決において、従来の数値解法と比べて大幅な高速化を実現しています。
流体熱力学の直接数値シミュレーションは計算コストが非常に高いことで知られていますが、この新しいアプローチにより、対流型流体の流れを高速かつ正確に予測する代理モデルの構築が可能になりました。今後は気候変動予測の精度向上や、極端気象イベントの早期警戒システムへの応用が期待されています。