新たにarXivに公開された論文で、複数の機関に所属する研究者らが、複雑な地質層におけるCO2プルーム移動を迅速に予測するためのグラフニューラルネットワーク（GNN）ベースのサロゲートモデルを提案した。この研究は、地質炭素貯留における重要な課題、すなわち不均質な多孔質媒体中の多相流れをいかに効率的かつ正確にシミュレーションするかということに焦点を当てている。従来の数値シミュレーション手法は高い精度を持つものの、計算コストが膨大であり、特に多数のシナリオ評価やリアルタイム監視が必要な用途では問題となる。そのため、データ駆動型のサロゲートモデルが魅力的な代替手段となっている。
著者らは、業界で広く使用されているCO2貯留テストケースであるSPE11Aベンチマークをグラフ構造に再定式化した。このベンチマークは、鋭い気水界面、強い移流輸送、そしてフィンガリングを伴う急速な対流混合を特徴とする。グラフでは、ノードが計算セルを表し、エッジが透過率に基づく相互作用を幾何属性で強化してエンコードする。グリッド形状、浸透率コントラスト、地質不均質性に起因する方向性輸送を捉えるため、研究チームは異方性メッセージパッシング機構を設計した。この機構では、相互作用の重みが幾何条件付きエッジ埋め込みを介して計算され、メッセージ集約が物理的に関連する輸送方向に偏るようにする。
時間発展のモデリングは潜在空間で行われ、自己回帰残差定式化を採用し、多段階監督で訓練される。この設計により、モデルは長い予測時間範囲にわたって安定した誤差累積を維持できる。初期結果は、このモデルがCO2貯留監視の重要な指標であるガス飽和度と液相密度に対して競争力のある予測を提供し、累積誤差が拡張予測期間内で中程度に留まることを示している。
この研究は地質炭素貯留分野におけるGNNの可能性を示す一方で、著者らは極端な不均質性や複雑な境界条件下でのモデルの汎化能力について、さらなる検証が必要であると指摘している。また、訓練データの品質と網羅性がサロゲートモデルの信頼性にとって重要である。今後の課題としては、より多くの物理的制約の統合や、大規模なシミュレーションデータへの依存を減らすための転移学習の探求が考えられる。