地球の重力が十年を伸ばし縮める

背景と概要

Natureに掲載された研究が、地球の自転の微妙な不規則性を解読するためにハイブリッド深層学習モデルを展開した。地球の核とマントルの間の重力結合が、ある十年を最大3ミリ秒引き伸ばし、別の十年を圧縮するという現象だ。研究者たちは1970年代から半世紀以上にわたる超長基線干渉法（VLBI）と全地球測位システム（GPS）のデータを収集し、約6年から10年の周期を持つ内部信号を分離するニューラルネットワークを訓練した。この信号の振幅はわずか0.数ミリ秒だが、標準的な十年で最大3ミリ秒の偏差に累積し、これは時計の狂いに換算すると1日あたり100万分の3に相当する。この発見は、十年スケールの日長変動を核-マントル境界での角運動量交換に直接結びつけ、地球深部の動力学を探る新たな手段を提供する。

この現象は、地球物理学的スケールで時間が均一に流れるという前提に疑問を投げかける。大気の風、海流、潮汐摩擦などの外力は地球の自転を変調することが知られているが、それらの寄与は比較的よくモデル化されている。しかし、残差として残る十年スケールの信号は、チームが自己教師あり学習フレームワークを適用するまで、きれいに分離できなかった。全球大気再解析データと海洋循環モデルから構築した合成データセットで訓練することで、AIは外部強制の時空間パターンを認識し、実際の日長系列から内部重力信号を抽出した。このアプローチは、未だ制約の多い核流動の物理的パラメータ化を回避するものだ。

深掘り分析

モデルのアーキテクチャは、1次元畳み込み層と長短期記憶（LSTM）ネットワークを融合したデュアルストリーム設計である。畳み込みストリームは、大地震や強いエルニーニョ現象によって引き起こされるような急激で局所的な摂動を捉え、LSTMストリームは数十年にわたる緩やかな傾向をモデル化する。注意機構が異なる深さの核動力学プロセスの寄与を動的に重み付けし、ネットワークが十年スケールの信号にとって最も関連性の高い深度範囲に集中できるようにしている。訓練は、歴史的境界条件で最先端の海洋大気モデルを強制して生成した合成データセットで行われ、ネットワークが実際の観測に直面する前に既知の外部駆動要因を分離することを学習した。

検証により、抽出された内部信号が物理的に頑健であることが示された。モデルは、記録に残る火山噴火や大地震に伴う日長の跳躍の95%以上を説明し、分離された残差が人工物ではないことを確認した。不確実性を定量化するために、チームは敵対的生成ネットワーク（GAN）を用いて内部信号のアンサンブルを生成し、十年スケールの振動の信頼区間が全位相でゼロを含まないことを示し、ランダムノイズの可能性を排除した。得られた時系列は、地磁気ジャークからの独立した推論と一致する明瞭な6～10年周期を明らかにし、核-マントル結合に根ざした重力的起源の証拠を強化している。

業界への影響

この発見は精密な時刻管理に直接的な影響をもたらす。協定世界時（UTC）は地球の変動する自転と同期を保つために定期的にうるう秒で調整されるが、十年スケールの非線形性は長期予測を複雑にする。AIから導かれた内部重力予測は、うるう秒決定のリードタイムを半年から数年へと延長し、全地球航法衛星システム（GNSS）、金融取引ネットワーク、通信同期の運用コストを削減できる可能性がある。十年間で累積する3ミリ秒の誤差は、GNSSコンステレーションにとって約1メートルの測位ドリフトに相当するため、モデルの改善は航法の信頼性を直接的に高める。

衛星の軌道決定も恩恵を受ける。SpaceXのStarlinkやOneWebのような低軌道メガコンステレーションは、衝突回避やステーションキーピングに正確な地球姿勢パラメータを必要とする。新しい内部信号を軌道伝播器に組み込むことで、予測誤差を10～15%削減でき、軌道密度が増加する中でこの差は重要になる。このモデルはオープンソース化され、いくつかの主要な地球システムモデリングプラットフォームに統合されており、気候科学者は古気候指標の時間スケールを再較正し、より正確な時間枠組みで海面復元や氷期サイクルの年代を再評価できるようになった。競争面では、Glatzmaier-Robertsモデルのような従来の物理ベースの核-マントル結合コードがデータ駆動型の挑戦者に直面し、Google DeepMindやMicrosoft Researchが地球内部イメージング用の事前学習済み基盤モデルを発表するなど、深部地球物理学へのAI応用を巡る競争が激化している。

今後の展望

注目すべき展開が三つある。第一に、モデルを十年スケールから百年、千年スケールに拡張することで、古代の日食記録と理論計算の間の不一致といった歴史的異常を解決できる可能性がある。これには、日長ネットワークを樹木年輪、サンゴ、氷床コアなどのマルチモーダルな古気候アーカイブと融合させる必要があり、AIに真のマルチプロキシ学習を迫ることになる。第二に、リアルタイム展開が進行中である。研究チームは欧州中期予報センター（ECMWF）と協力し、モデルをオンラインの日長予測サービスとして実装している。このようなシステムは、火星サンプルリターン計画を含む今後の深宇宙ミッションにサブミリ秒のタイミング保証を提供できる。

第三に、解釈可能性が未開拓の領域として残る。現在のモデルは信号を分離するが、核-マントル境界での重力トルク分布を直接出力することはできない。次のステップは、核流体運動の磁気流体力学方程式を物理情報ニューラルネットワークに埋め込み、「ブラックボックス」を透明にすることだ。地球科学のビッグデータとAIが融合するにつれ、天気のように地球の自転の「気分」を数年前に予測する展望が現実味を帯び、時間そのものが一定の背景定数ではなく動的変数として再定義される。