類似のない（no-analog）分布シフト下における気候基盤モデルの頑健性の評価

要旨: 気候変動の加速する進行は、機械学習に基づく気候エミュレータが学習分布を超えて一般化する能力に課題をもたらす深刻な非定常性を導入する。これらのエミュレータは従来の地球システムモデルの計算上の効率的な代替手段を提供する一方で、「類似なし（no-analog）」の将来の気候状態では信頼性がボトルネックとなり得る。ここで我々は、「外部強制が、過去の学習データの経験的な範囲外の条件へとシステムを駆動する」ようなレジームを、類似なしの将来の気候状態として定義する。こうした信頼性を評価する上での根本的な課題はデータ汚染である。というのも、多くのモデルは、将来のシナリオをすでに包含したシミュレーションで学習されているため、本当の意味での分布外（OOD）性能がしばしば見えなくなるからだ。これに対処するため、本研究では最先端の3つのアーキテクチャ、U-Net、ConvLSTM、そして歴史データのみの学習レジーム（1850-2014）に特別に制限したClimaX基盤モデルのOOD頑健性をベンチマークする。これらのモデルを評価するために、次の2つの相補的な戦略を用いる：（i）最近の気候（2015-2023）に対する時間的外挿、（ii）異なる排出経路にわたるシナリオ間の強制シフト。これらの実験設定に基づく解析では、精度と安定性の間にトレードオフがあることが明らかになる。すなわち、ClimaX基盤モデルは絶対誤差が最も小さい一方で、分布シフト下での相対的な性能変化はより大きく、極端な強制シナリオでは降水誤差が最大8.44%増加する。これらの結果は、歴史的な学習ダイナミクスに制限した場合、高容量の基盤モデルであっても外部強制の軌跡に敏感であることを示唆している。本研究は、変化する気候のもとで気候エミュレータの頑健性を確保するために、シナリオを意識した学習と、厳密なOOD評価プロトコルが必要であることを裏づけるものとなる。