機械学習における二つの長年にわたる独立した研究分野——予測多重性とカオス力学——に、新たなブレークスルーがもたらされた。複数の研究機関からなる研究チーム（Gauri Kale、Rahul Vishwakarma、Holly Diamond、Ava Hedayatipour、Amin Rezaei）は、「地平制約ラショモン集合」と呼ばれる理論的枠組みを提案し、カオス理論における指数発散とモデル多重性の動的進化を初めて結びつけた。
従来の予測タスクでは、ラショモン集合——性能は類似しているが構造が異なるモデルの集合——は静的なものと見なされていた。しかしカオスシステムでは、予測時間が長くなるにつれて初期状態が類似したモデルは指数関数的に発散し、従来の多重性の概念はもはや適用できない。本研究は、有効ラショモン集合の規模が予測リードタイムとともに指数関数的に縮小し、その収縮速度はシステムの最大リアプノフ指数によって決定されることを証明した。この発見は、カオス予測におけるモデル多様性の本質に新たな視点を提供する。
この動的変化を定量化するため、研究者らはリアプノフ重み付き指標を導入した。これはモデル間の予測差異の上限をより精密に推定するものである。これらの理論的洞察に基づき、彼らは意思決定整合型モデル選択アルゴリズムを開発した。このアルゴリズムは単なる予測精度の追求ではなく、下流の意思決定タスクにおける実際の効用に基づいて準最適モデルから最適なものを選択する。
実験は、Lorenz-96やKuramoto-Sivashinskyなどの合成カオスシステムに加え、風力発電予測、交通流予測、天気予報といった実世界の応用で実施された。結果は、従来手法と比較して、新フレームワークが競争力のある予測性能を維持しつつ、意思決定の質を18～34％向上させることを示した。
この研究は、安全が重要なカオス領域での機械学習の展開に理論的指針を提供し、カオス理論と予測多重性の初の厳密な融合を達成した。論文はAIP Advances 2026年第16巻045208号に掲載され、arXiv（arXiv:2605.05218）で入手可能である。この研究は、カオスシステムにおけるモデル挙動の理解を深めるだけでなく、実際の応用におけるモデル選択の新しい方法論を提供する。