地球システムのWhat-Ifシミュレーションのための世界モデル：陸上生態系を事例として

本論文は、地球システムシミュレーションのためのアクション条件付きワールドモデリングフレームワークを提案している。従来のMLエミュレータは所定の強制力の下で軌道を再現する受動的な予測器であるのに対し、提案手法はユーザー指定の介入（状態成分の変更）に応答する対話的なシミュレーションを可能にする。具体的には、遷移アクション事前学習（transition-action pretraining）とマスク応答学習（masked response learning）を導入し、ラベルなしの状態変化をアクションの監視として利用することで、手動注釈なしに制御可能な状態遷移を学習する。陸上生態系の6地域・複数林齢のデータで検証し、長期的なエミュレーション精度を維持しつつ、構造的介入と結合した生態系サイクル変数の一貫した応答を実現している。

既存のEarth-system emulatorは受動的予測に留まり、ユーザーが状態を変更した場合の応答をシミュレートする仕組みがなかった。提案手法は、自然に観測される状態変化をラベルなしのアクション監視として扱うことで、手動の介入注釈なしにアクション条件付き応答を学習できる点が新しい。また、部分的な状態編集時に未観測変数を推論するmasked response learningにより、結合したシステム依存関係を学習する点も先行研究にはない。これにより、受動的エミュレータから対話的で介入認識型の科学的サロゲートへの実用的な道筋を示している。

手法の核は2つ。(1) transition-action pretraining: シミュレータの軌跡を、状態遷移を引き起こすアクションとして再解釈し、ラベルなしの状態変化をアクション監視として用いて、所定のダイナミクスとアクション条件付き応答の両方を学習する。(2) masked response learning: 部分的な状態編集（マスク）が与えられた際に、未観測の変数を推論し、結合した生態系サイクル変数の依存関係を学習する。これにより、ユーザー指定の介入に対して一貫した応答を生成できる。

陸上生態系のダイナミクスを対象に、6つのグローバル地域と複数の林齢にわたって実験を実施した。長期的なエミュレーション精度を競争力のあるレベルに保ちながら、制御可能な構造的介入と結合した生態系サイクル変数における一貫した応答を達成できることを示した。具体的な評価指標や比較ベースラインは要旨からは不明。

要旨からは、提案手法が受動的エミュレータから対話的サロゲートへの移行を示すが、実世界の複雑な介入（例：大気CO2濃度の変更など）への適用可能性や、シミュレータのバイアスが学習に与える影響、計算コスト、スケーラビリティなどに関する議論は明示されていない。また、検証が生態系ダイナミクスに限定されており、他のEarth-systemコンポーネントへの一般化については要旨からは不明。

要旨で参照されている関連研究は明示されていないが、Earth-system emulationの分野では、機械学習エミュレータ（例：NeuralGCM、FourCastNet）や、デジタルツイン、アクション条件付きモデル（例：World Models）が関連する。具体的には、NeuralGCMやFourCastNetなどの大気モデルエミュレータ、および世界モデルに関する研究（Ha & Schmidhuber, 2018）が挙げられる。