物理科学における時系列基盤モデル（TSFM）の展開は、重要なトレードオフに直面している。これらのモデルは豊かで普遍的な時間ダイナミクスを符号化する一方で、特定の科学領域にゼロショット適用すると深刻な分布不整合を起こし、その計算コストがエッジコンピューティングセンサーネットワークでの展開を妨げる。不整合な基盤モデルから潜在的な構造知識を抽出し、軽量な専用予測器を訓練する方法が根本的な課題である。
そこで研究者らは、ゲート付き不確実性認識ルーティング蒸留（Guard）フレームワークを提案する。これはマルチ教師蒸留をインスタンス単位の意思決定プロセスとして再定義し、2つの適応機構を導入する。第一にコンテキストルーターは、局所的な入力統計に基づいて最も関連性の高い教師モデルを動的に選択し、多様な基盤モデル間の相補性を活用する。第二に不確実性ゲート付き温度機構は「サーキットブレーカー」として機能し、教師の信頼度が領域の現実と乖離した場合に蒸留強度を自動的に減衰させる。
研究チームは、気象学、生態系炭素フラックス、土壌水分、エネルギーグリッドという4つの気候重要領域で軽量フレームワークを評価した。その結果、固定重みのマルチ教師蒸留ベースラインと比較してRMSEを有意に低減した。さらに、事前学習済み基盤モデル（教師）が元のデータ領域と目標データ領域間の分布シフトによりゼロショット精度が最適でない場合でも、知識蒸留に成功することを示した。
また、領域不整合のある教師モデルが重要な補正要因として機能し、最も困難なインスタンスの28.5%でグローバルに優れた基盤モデルを上回ることを実証した。最終的に、この手法はリソース制約のあるエッジ展開に適した高精度科学予測を可能にする。コードはGitHubで公開されている。本論文はKDD 2026に採択され、AI for Scienceトラックに属する。