※本記事は一次情報をもとにAI支援によって構成・作成し、事実関係の照合を行っています。
発表内容（事実）
Microsoft Researchにて開発された機械学習パイプラインは、太陽風の情報を用いて、米国本土にある66,935か所の変電所を対象に、場所ごとの宇宙天気リスクを予測します。このシステムは、Auroral Electrojet（AE）やDisturbance Storm Time（Dst）の予測と、地域の緯度、地質、地中伝導率を組み合わせて計算を行う仕組みです。
予測パイプラインは3つの段階で構成されています。まず第1段階として、L1ラグランジュ点における太陽風の測定値からAEおよびDst指数の予測を生成し、変電所ごとの地質学的伝導率や位置情報を収集します。第2段階では、グラディエントブースティングモデルを用いて、これらに入力情報を組み合わせ、地磁気誘導電流（GIC）リスクに関連する磁場変化率（dB/dt）を推定します。最後に、その予測をロケーション別のリスク推定値へと変換し、大陸規模のリスク評価として集約します。
評価期間（2020年から2026年）において、AE予測モデルは実証的な太陽風ベースのアプローチを上回る精度を記録し、Dst予測モデルはピーク時の活動においてBurton方程式を62.2%の時間帯で上回りました。最終的なGICリスク予測段階では、主要なイベントに対して76.5%、深刻なイベントに対して81.2%、極端なイベントに対して64.1%の検出率を達成しています。
ポイント
- 30〜60分前の事前警告: グリッド事業者に対して、特定の地磁気リスクが現れる30分から60分前に警告を発することが可能です。
- 広範なインフラを網羅: 米国本土の66,935か所の変電所を対象として、地域ごとの地質や送電網の特性を考慮したリスク評価を行います。
- AIエージェントの活用: パイプライン全体における特徴量、検証戦略、モデル構成の探索を支援するために、50のAIエージェントシステムが使用されました。
- 公開データの活用: NASA OMNI、京都大学世界データセンターのデータ（NASA集約）、INTERMAGNET、米国地質調査所の磁力計観測データ、GridSFM由来のグリッドデータなど、すべてパブリックなデータソースのみが使用されています。
考察（筆者の見解）
電力インフラの安定稼働において、太陽活動に起因する地磁気誘導電流（GIC）への対策は極めて重要な課題です。従来、宇宙天気の予測は地球規模のマクロな変動にとどまることが多く、具体的な送電網や個別の変電所レベルでの影響をリアルタイムかつ高精度に予測することは困難でした。今回のMicrosoft Researchによるアプローチは、マクロな宇宙物理データとミクロな地域特性（地質や緯度など）を機械学習によって結びつけた点で、実務的なインフラ防護の新しい道を切り開くものです。
特に、50のAIエージェントを活用して特徴量やモデル構成の最適化を行った点は、複雑な地球物理学モデルの構築プロセスにおけるAIの有用性を示しています。今後は、誤警報率の削減や極端なイベントにおける検出精度のさらなる向上が求められると推測されますが、グリッド事業者が数十分の猶予を持って事前対応を取れるようになる意義は非常に大きいと言えます。オープンなデータソースのみを用いてこの精度を実現したことも、今後の関連研究やオープンイノベーションを加速させる要因になるでしょう。
コメント