機械学習エンジニアのバイエ・ヤゴ、アリアガ・エンリケ、リャムジン・ディミトリィ、リサーチエンジニリアング部長のセルヴァンテス・パブロ、およびCEOのティアゴ・ラマルにより執筆された本研究論文は、高解像度気象予測における技術的課題を克服するために設計された、新しい機械学習モデル、Sparse Loca, Implict Function (SpLIIF）を提案しています。
研究成果は、12月2日から７日までカリフォルニア州サンディエゴで開催される NeurIPS 2025に併設されるワークショップ Tackling Climate Change with Machine Learning（機械学習による気候変動への取り組み）にて発表される予定です。
NeurIPSは、機械学習と神経科学の分野において、世界最高水準である国際会議の一つとして広く認識されています。本会議で発表される論文は、AI領域における主要な技術的進歩を反映し、学術的なベンチマークとして、また産業応用の基盤を形成するものと期待されています。
オンライン研究リポジトリのarXivで公開されている本論文は、気候変動対策に欠かせない、サブキロメートルの極めて局所的な気象データを高精度に予測する技術に焦点を当てています。
気候変動対策や、確実な災害予測を行う上で、局所的なレベルでの高精度な気象データ、特に温度や風速の予測は不可欠です。しかし、この高精度な予測を実現するための技術的ギャップが、長年の課題として存在しています。
これまでの気象データは、広範囲をカバーする低解像度のモデルデータと、正確だが設置場所がまばらな地上の観測データに大別されていました。このギャップを埋め、任意の地点で高解像度の気象情報を推定するプロセスがダウンスケーリングです。
Recursiveが開発したSpLIIFは、このダウンキャスティングの精度を劇的に向上させることを目的としています。SpLIIFは、従来のグリッド処理ではなく、気象を関数として扱う新しい機械学習アーキテクチャを応用しています。これにより、日本の限られた観測データから、地形の影響まで考慮した任意な場所での連続的かつ高精度な気象予測を実現します。
SpLIIFの性能を評価した結果、温度のダウンスケーリングにおいて、既存のベースラインや他の最先端AIモデルと比較して、最大50%の精度向上が実証されました。
この高精度な局所予測技術を達成することにより、実社会における喫緊の課題解決に直結します。温度と風速の局所的な予測は、特に以下の分野における意思決定の質を向上させることが期待されます。
今後、この技術は、エネルギー、農業、防災、といった社会インフラの最適化に直結する可能性を秘めています。Recursiveは、気候変動という難題に対し、この高度なAI技術を適用することで具体的な解決策や気候変動に対するレジリエンスの向上に貢献することを目指します。
【論文詳細】
論文タイトル：Sparse Local Implicit Image Function for sub-km Weather Downscaling
発表ワークショップ：Workshop at NeurIPS 2025: Tackling Climate Change with Machine Learning
著者：
Google DeepMindの元シニアリサーチエンジニアによって設立されたRecursiveは、各分野で世界レベルの人材を集め、成果へと繋げています。
