海洋熱波などの極端な海洋現象の予測と診断は、海洋科学における大きな課題です。近年の機械学習手法は予測精度で顕著な進歩を遂げていますが、これらのモデルはしばしばブラックボックスと見なされ、背後にある物理メカニズムを明らかにしません。この限界を打破するために、研究者らはOceanCBMを提案しました。これは、海洋力学の時空間予測とメカニズムの解明を目的とした初の概念ボトルネックモデル（CBM）です。
OceanCBMの核心は「混合監視」学習戦略にあります。モデルは、海洋熱波の主要な前兆である混合層熱含量を予測するように訓練され、情報を中間層を通じて出力にルーティングします。この中間層は、地球物理流体力学に基づく所定の物理概念と、残差プロセスを捕捉して概念予測を正則化する「自由」概念の2つの部分で構成されます。この設計により、モデルは予測性能を維持しつつ、物理的に一貫性があり解釈可能な潜在表現を学習できます。
研究チームは、複数のアンサンブル初期化による実験を通じてOceanCBMの有効性を検証しました。結果は、混合監視を採用したモデルが一貫したメカニズム表現を学習する一方、予測のみまたは物理制約のみに依存するベースラインモデルは、予測性能は類似しているものの、非常に変動しやすい潜在構造を示すことを明らかにしました。つまり、OceanCBMは解釈可能性と性能の間の明確なトレードオフを実現し、予測精度を犠牲にしていません。
この研究の重要性は、海洋予測の分野に新たなツールを提供し、研究者が極端現象を予測するだけでなく、その背後にある物理的駆動力を理解できるようにすることです。OceanCBMの提案は、機械学習が海洋科学において純粋な予測から解釈可能な診断へと移行する重要な一歩を示しています。論文全文はarXivで入手可能です。