物理法則を遵守しながら複雑なデータセットを処理する新しい機械学習アルゴリズムが開発され、流体力学と気候モデリングの分野でより正確な予測が可能になりつつあります。
機械学習は複雑なパターンの認識、非線形ダイナミクスのエミュレーション、気象・気候プロセスの時空間進化の予測において強力なツールとなっています。しかし、標準的なMLモデルは物理システムの基本的な支配法則に必ずしも従わず、訓練されていないシナリオへの汎化性能にも課題がありました。Hacker Newsでは「物理制約をAIに組み込む研究は科学シミュレーションの信頼性向上に不可欠」との評価が上がっています。
2026年1月には、線形・角運動量を保存し、多様な力学システムにわたって正確なロールアウトを可能にする物理インフォームドアーキテクチャ「Dynami-CAL GraphNet」が発表されました。流体熱力学は大気力学、気候科学、産業応用、エネルギーシステムの基盤となっており、正確な熱力学モデルは複雑な物理システムの理解を進める上で極めて重要です。
特に長期的な将来気候のシミュレーションは「少量データ領域」に該当するため、物理フリーのMLモデルが成功を収めてきたデータ豊富・定常的な環境とは異なり、物理知識の導入が不可欠となります。気象・気候モデリングにおけるML技術の活用は、教師あり学習、教師なし学習、方程式発見といった手法を組み合わせて、気候科学の知見発見とシミュレーションの加速を目指しています。
| - [Physics-informed machine learning: case studies for weather and climate modelling | Royal Society](https://royalsocietypublishing.org/doi/10.1098/rsta.2020.0093) |
|---|---|
| - [Physics-Informed Machine Learning | Nature](https://www.nature.com/collections/jaihfcabgi) |
| - [Machine Learning for Climate Physics and Simulations | arXiv](https://arxiv.org/html/2404.13227v1) |