物理ガイド付きニューラルネットワークによる太陽放射照度予測における自己注意機構の上回り

要旨: 正確な全球水平面日射量（GHI）の予測は、特に急速なエアロゾル変動を特徴とする乾燥地域において、系統の安定性にとって極めて重要である。近年の潮流は計算コストの高いTransformerベースのアーキテクチャを好むものの、本論文は支配的な「複雑さ優先（complexity-first）」のパラダイムに異議を唱える。提案するのは、アーキテクチャの深さよりも領域知識を優先する、軽量なPhysics-Informed（物理に基づく）Hybrid CNN-BiLSTMフレームワークである。本モデルは、空間特徴抽出のための畳み込みニューラルネットワーク（CNN）と、時間的依存関係の捕捉のための双方向LSTM（Bi-Directional LSTM）を統合する。一般的なデータ駆動型アプローチとは異なり、本モデルは生の過去データのみに依存するのではなく、「Clear-Sky指標」や「太陽天頂角（Solar Zenith Angle）」を含む、15個の設計済み特徴量のベクトルによって明示的に導かれる。ハイパーパラメータは、グローバル最適性を保証するためにベイズ最適化を用いて厳密にチューニングする。実験的検証として、スーダンにおけるNASA POWERデータを用いた。物理誘導型の我々の手法は、平均二乗誤差（RMSE）が19.53 W/m^2に達し、複雑な注意機構ベースのベースライン（RMSE 30.64 W/m^2）を大幅に上回ることが示された。これらの結果は、「複雑さパラドックス（Complexity Paradox）」を裏づける。すなわち、高ノイズの気象タスクでは、自己注意機構よりも、明示的な物理的制約が、より効率的でより高精度な代替となり得る。これらの知見は、再生可能エネルギーのリアルタイム運用のために、ハイブリッドかつ物理を意識したAIへと移行することを後押しする。