キッチンよりレシピが重要：AI気象予測パイプラインのための数学的基礎
arXiv cs.LG / 2026/4/2
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、AIによる気象予測の予報スキルは、アーキテクチャ単体よりもエンドツーエンドの学習パイプライン（学習手法、損失の設計、データの多様性）によって主に左右されると主張する。
- 球面上の近似理論、動的システム、情報理論、統計的学習理論を統合した統一的な数学フレームワークを提案し、さらに学習パイプラインの誤差分解により、現行スケールでは推定誤差が近似誤差を支配することを見出す。
- 損失関数のスペクトル理論を導入し、MSEが球面調和（spherical-harmonic）座標においてスペクトルのぼかしを引き起こすことを示し、極端な記録の系統的な過小評価を説明する域外（out-of-distribution）境界を導出する。
- ERA5の初期条件を用いたEarth2Studioによって、10種類の多様なAI気象モデル・アーキテクチャに対する実証テストを行い、普遍的な高波数スペクトルエネルギー損失、アーキテクチャ間で共有される高い誤差、極端事象における線形の負のバイアスといった形で理論を検証する。
- 著者らは、複数指標を統合した全体的な評価スコアと、学習前に提案されたパイプラインを数学的に評価するための処方的フレームワークを提示する。
