気候変動の影響が現実のものとなる中、記録的な豪雨や未曾有の熱波、大規模な山火事といった極端気象への備えは、都市や国家の存亡を左右する喫緊の課題となっている。しかし、こうした極端現象はその定義上、稀にしか発生しないため、過去のデータだけでは将来の最悪シナリオを正確に予測することが極めて困難だった。マサチューセッツ工科大学（MIT）の研究チームは、この根本的な問題を解決する画期的な手法「η-learning（イータ・ラーニング）」を開発し、過去の極端現象のデータを必要とせずに、未曾有の最悪シナリオを生成することに成功した。この研究成果は、2026年8月20日付の英科学誌『Nature Communications』に掲載された。
過去データに依存しない、全く新しいリスク評価手法
従来、ある地域で「100年に一度」の暴風雨がどのようなものかを予測するには、過去に発生した同様の極端現象のデータが不可欠だった。コンピュータシミュレーションは、これらの過去のデータを学習することで初めて、将来のシナリオを生成できた。しかし、このアプローチには本質的な限界があった。それは、これまで観測されたどの記録よりも「さらに危険な」事象を予測するのが難しいという点だ。
「私たちは、誰も見たことがなく、データセットにも存在しない、前例のない極端な事象をモデル化しようとしている」と、MITの大学院生で機械工学を専攻するKai Chang氏は説明する。例えば、ニューヨーク市でこれまでに記録された最大降水量が200ミリメートルだったとしても、300ミリメートルの降水量をもたらす嵐が発生する可能性は否定できない。都市計画者にとって必要なのは、まさにこのような「未経験だが発生し得る」最悪のシナリオの詳細だ。
「η-learning」の仕組み：統計的学習と空間マッピング
研究チームが開発したη-learningは、機械学習アルゴリズムを用いた全く新しいアプローチを採用する。この手法の核心は、「点統計」と「空間マップ」という2種類のデータ間の統計的な関係性を学習することにある。
具体的には、まず対象地域の長期間にわたる日次の気象データ（降水量マップなど）を用意する。このデータには過去の極端現象が含まれていても構わないが、必須ではない。次に、データ全体から「特定の降水量が発生する確率」といった点統計を計算する。そして、アルゴリズムは、低解像度の気象マップと高解像度のマップの対応関係を学習し、点統計によって降水量の極値を制約する。このプロセスにより、学習データには存在しない、より極端な事象の空間パターン（場所、規模、強度、継続時間など）を統計的に尤もらしい形で生成できるのである。
ユーザーは、「ニューヨークで100年に一度の嵐はどのようなものか？」という問いを訓練されたアルゴリズムに与えるだけで、その頻度で発生しうる、数千通りの仮想的な嵐のマップを得ることができる。これにより、防潮堤の高さや電力網の強靭性など、具体的なインフラ計画の検証が飛躍的に向上することが期待される。
気候変動対策の新たな強力な武器に
この新手法の応用範囲は天気予報だけにとどまらない。研究チームは、金融市場の暴落やロボットの自律航法など、突発的で稀な事象が重要な役割を果たす様々な分野への適用が可能だと指摘している。金融市場における複数のセクターが絡み合った複雑なクラッシュのメカニズムを解明する上でも、この手法は有用な洞察を提供する可能性を秘めている。
「極端な事象は環境問題だけでなく、戦略的な懸念事項となっている。私たちは効率性のためにグローバルシステムを最適化してきたが、その代償としてシステム全体に余裕がほとんどなくなっている。ひとたび極端な事象が発生すれば、その影響はサプライチェーン、エネルギー市場、食料システムに数週間で波及する」と、研究を主導したMITのThemis Sapsis教授は警鐘を鳴らす。「まだ起きていない事象に確率を付与できるかどうかは、今や国家と経済のレジリエンス（回復力）の問題なのだ」。
気候変動が加速し、これまでの常識が通用しなくなりつつある現代において、過去のデータに縛られずに将来のリスクを定量化できるη-learningは、政策立案者や都市計画者、保険会社にとって極めて強力な意思決定ツールとなる。日本でも、大型台風の甚大化や記録的な豪雨が頻発する中で、この技術がもたらす実用的な価値は非常に大きいと言えるだろう。
