地球観測衛星の「ばらつき」に挑むAI、液体型ニューラルネットワークの可能性
衛星から地球を監視するのは、思わぬ障害に満ちた作業だ。雲が視界を遮り、太陽の角度が巨大な影を生み出し、軌道上の周期によっては同じ地域を数週間にわたって観測できないこともある。このような不規則性は、従来のソフトウェアにとって処理が難しく、標準的なディープラーニングのアルゴリズムでさえ混乱させかねない。こうした課題に対する新たな解決策として、生物にインスパイアされた「液体型ニューラルネットワーク」（Liquid Neural Networks, LNN）が注目を集めている。
クルジ・ナポカ工科大学（Technical University of Cluj-Napoca）のRaul-Alexandru GorganとDorian Gorgan研究者らがプレプリント段階で公表したレビュー論文によれば、この新種のAIが地球観測の課題を解決できる可能性があるという。現代社会は地球観測に大きく依存しているが、データを有意義で、かつディープラーニングシステムが理解できる形式で収集することは複雑だ。
通常のAIが苦手とする「ばらつき」の正体
自動運転車の制御に使われるような標準的なディープラーニングネットワークの多くは、データポイントが一定間隔で、かつ比較的短い周期で届くことを想定して設計されている。こうした規則性があれば、小さな変化を識別してモデルに反映させられるが、地球観測ではそのような条件が満たされない。
最大の障害は雲だ。低軌道衛星（LEO）は、地球上の特定の地域の観測が繰り返し雲で遮られることがある。加えて、観測スケジュールが不規則なため、ある衛星が世界の一部を撮影できない期間は1か月以上に及ぶこともある。その間、段階的な現象（夏場の農地の成長）から突発的な大規模イベント（洪水や火山噴火）まで、様々な変化が起こり得る。畳み込みニューラルネットワーク（CNN）やビジュアルトランスフォーマーといった従来の処理方式は、短い単位で時間経過を扱う分には優れているが、その間に大きな変化が生じた大きなデータギャップを埋めることには不向きだ。
Gorgan氏らのレビュー論文は、2018年から2026年にかけて発表された61の研究を検討し、こうした課題に対応するAI技術の進化を追跡している。多くの適応型技術は、グラフベースのモデルや動的受容野を従来型の機械学習モデルに組み込み、建物の形状変化を追跡したり、霧の中の画像を明瞭にしたりするものだ。
線虫の神経系から着想を得たアプローチ
最も興味深いのが液体型ニューラルネットワークだ。これは生物学研究に頻繁に用いられる微視的な線虫C. elegansの神経系にインスパイアされている。C. elegansは全体で302個のニューロンしか持たない。
従来型のソフトウェアモデルと異なり、LNNは常微分方程式（ODE）という形の微積分を用いることで、膨大なデータが欠けている場合でも、連続する時間の流れに適応できる。例えば、雲の影響で衛星が農地の上空を3回連続して観測できなかった場合、LNNはその時間ギャップを数学的に統合し、システムが一度もデータを失わなかったかのように処理できる。また、火山噴火や山火事といった劇的な変化にも対応しやすい。ODE計算は総当たり法よりも計算量が少ないため、将来的には低消費電力のコンピュータチップで実行でき、観測衛星そのものに搭載される可能性すら考えられる。
しかし技術はまだ黎明期だ。レビュー論文で対象とした61の研究のうち、LNNを用いたのはおよそ16%に過ぎない。さらに重要な点として、多くの研究は単一地域でのみコードをテストしたか、計算完了に要した処理能力の記録を残していない。つまり、研究者は、この新種の技術が観測上の課題に明確な利点をもたらすことを証明するまで、過度な期待を抑える必要があると言えるだろう。実証の機会は近い。宇宙機関と民間企業の双方が定期的に新しい地球観測衛星を打ち上げており、ディープラーニングの訓練データが増え続けているからだ。
出典: Universe Today
