Google Researchの科学者による実証研究支援の4つの活用方法

2025年秋、Google Researchチームは実証研究支援（ERA）のプレプリントを公開し、科学者が専門レベルの実証ソフトウェアを生成できるようにしました。それ以来、Googleの科学者と学術協力者はERAをさまざまな現実世界の問題に適用し、AIが科学的発見を加速する変革の可能性を示しています。以下は、4つの分野における具体的な応用例です。

公衆衛生の分野では、ERAは米国のインフルエンザ、COVID-19、RSVの入院予測に使用されています。プレプリントで著者らはERAを用いてCOVID-19の米国入院数を予測し、CDCや主要研究機関のツールと同等以上の精度を回顧的に達成できることを示しました。その後、チームは予測をインフルエンザとRSVにも拡大し、毎週リアルタイムで予測を提出しています。CDCの2025-26年シーズンのインフルエンザ予測チャレンジでは、Googleは11月から毎週、全米50州および全時間枠（最大4週間先）の予測を提出しています。また、GoogleはCDCの州レベルのCOVID-19入院予測と、新たに開始されたRSV予測ハブにも参加しています。マサチューセッツ大学アマースト校の生物統計学教授Nicholas Reichが運営する公開リーダーボードでは、Googleの予測が流感和COVID-19の両方でトップクラスを維持していることが示されています。RSVには公開リーダーボードはありませんが、内部解析では同様に強力なパフォーマンスが確認されています。このAIツールは、新しい疾患や地域の追跡において公衆衛生に大きな利益をもたらし、疫学の計算モデリングをより幅広い感染症や地域に民主化する可能性を秘めています。

宇宙論では、ERAとGemini Deep Thinkを組み合わせて、宇宙ひもからの重力放射の未解決問題に取り組みました。宇宙ひもは時空の理論的な欠陥であり、初期宇宙で形成され、重力波を放射すると予測されています。そのエネルギー放射のスペクトルを計算することは、支配方程式に特異点（値が無限大に近づく数学的点）が含まれるため、未解決の問題でした。昨秋、OpenAIのGPT-5を用いた研究で、方形ループ（α=π/2）の部分解が得られましたが、完全な一般解は未解決のままでした。ERAとGemini Deep Thinkを組み合わせることで、特異点を扱う数学的手法を体系的に探索し、6つの一般解と漸近極限の簡潔な公式を導出することに成功しました。これは、ERAと高度な大規模言語モデルの組み合わせが、宇宙論の最前線で正確で新しい解を引き出す強力な可能性を示しています。

気候と持続可能性の分野では、Googleの研究者はERAを使用して、GOES東静止気象衛星の観測から二酸化炭素（CO2）濃度を抽出する物理誘導ニューラルネットワークを開発しました。現在の衛星搭載CO2センサー（NASAのOCO-2など）は高精度ですが、地球表面のごく一部しか観測できず、16日ごとにしか再訪しません。一方、GOES東のような静止衛星ははるかに高い軌道から10分ごとに半球全体をスキャンできますが、CO2観測用に設計されていません。ERAが開発したモデルは、GOES東の16波長帯データ、下層対流圏の気象、太陽角度、年積日を組み合わせ、OCO-2およびOCO-3の疎な観測で学習した後、10分ごとに全地点のカラム平均CO2濃度を推定できるようになりました。国際温室効果ガス衛星測定ワークショップで発表された研究は、このモデルがGOES東の高時空間密度を活用して、前例のない解像度でCO2を追跡することを示しています。OCO-2の追加年の独立データおよび地上の全炭素カラム観測ネットワークとの比較により、モデルが実際のCO2変動を捉える能力が確認されました。これらの結果は、AIアルゴリズムが既存の観測機器、特にリソース集約型の衛星ミッションから付加価値を引き出す方法を示しています。

神経科学では、ERAはゼブラフィッシュの神経回路のメカニズムを発見するために使用されました。ゼブラフィッシュは、脊椎動物が刺激を検出し情報を処理して応答する仕組みを研究するための一般的なモデル生物です。研究者は、simZFishシミュレーターの配線図（細胞間の接続を示すが、それらを支配する数学的ルールは省略）をERAに提供しました。この情報に導かれて、ERAは刺激から神経活動、運動応答に至る回路を提案しました。新しい視覚刺激に対するテストでは、これらの回路は単なる統計的ショートカットではなく、他の類似状況に一般化できる正確な神経メカニズムであることが示されました。この研究は、プレプリントでERAがZAPBenchベンチマークにおいて7万以上のニューロンの活動を予測し、ベースライン手法を上回った結果に基づいています。構造情報を備えたERAは、解釈可能でメカニズム的に正確な解を発見し、生きた脳における科学のグランドチャレンジに取り組むための強力な青写真を提供します。

これらの4つのプロジェクトは、LLM支援システムが科学を前進させ、発見のペースを加速することを示す成長を続ける結果リストの一部です。それらは、理論数学からデータ予測、観測機器やシミュレーション出力の分析に至るまで、さまざまな分野と問題タイプを代表しています。また、AI対応科学が未解決問題を解決し、計算モデリングへのアクセスを民主化し、既存の観測データの有用性を最大化する可能性を示しています。Googleチームは、ERAやその他のGoogleツール（co-scientistやPATなど）が科学的発見を加速するために進展していることに興奮しています。