Grad-CAMで異常拡散を解読する深層学習の探究

スマートな道具でさまよう粒子を観察する

細胞内で飛び交う分子から株価の変動に至るまで、多くの自然現象は単純な拡散の規則のように整然とは動きません。異なる潜在的な機構がこうした異様な軌跡を生むことはわかっていますが、短くノイズの多いトラックからどの機構が働いているかを見極めるのは難しい。本研究は、現代の人工知能がこれらのさまよう軌跡を種類ごとに分類できるだけでなく、各軌跡のどの部分が判定に最も寄与したかを明らかにできることを示している。

身の回りの奇妙な運動

教科書ではランダム運動は酔っぱらいの徘徊に例えられ、位置の平均的な広がりが時間とともに着実に増すと描かれることが多い。しかし実際の運動はそう簡単には振る舞わない。生体内、社会系、金融市場では位置の広がりが予想より速くあるいは遅く増すことがあり、これが異常拡散として知られる現象だ。物理学者は長い待ち時間を伴う歩行や長い記憶を持つ経路など、多様な数学モデルを構築してきた。それでも、単一の記録された軌跡を観察すると、特に観測時間が短くデータにノイズがある場合、これらのモデルを区別するのは容易ではない。

軌跡を読むようにニューラルネットを教える

Anomalous Diffusion（AnDi）チャレンジの最近の成果を踏まえ、著者らはResAnDiと呼ぶ深層学習ツールを設計して運動軌跡を分類する。ResAnDiは残差ネットワークとして知られる画像認識でよく使われるアーキテクチャに基づき、カラー画像の画素ではなく二次元位置の時系列を扱うように適応されている。標準的なブラウン運動やいくつかの亜拡散・超拡散の変種を含む8種類の運動機構からシミュレーションした軌跡で学習される。1本の軌跡が18層の処理を通過した後、ネットワークはその経路が各機構のどれに由来するかの確率を出力し、クラス数が多いにもかかわらずAnDiチャレンジの上位参加者に匹敵する精度を達成する。

重要な瞬間にスポットライトを当てる

深層学習システムはしばしばブラックボックスだと批判され、正しい答えを返してもその根拠を示さないことがある。この箱を開くために、著者らはGrad-CAMと呼ばれる説明可能なAIの手法を適用した。Grad-CAMは入力の異なる部分に「関連度スコア」を割り当てる手法で、ここでは軌跡のどの区間がResAnDiの最終判定に最も影響したかを強調表示するように適応されている。研究チームはこのスコアが実際の情報を反映しているかを、軌跡の一部を選択的に消去することで検証する。最も高いGrad-CAMスコアを持つ区間を平坦化すると、同じサイズのランダムな区間を消した場合よりも分類精度が大きく低下する。これはネットワークが希であっても示唆的な振動に対応する特定の情報豊かな区間に依存することを学んでいることを示している。

説明を利用してノイズに対抗しパターンを見出す

Grad-CAMスコアは訓練データを賢く拡張する方法も示唆する。著者らは軌跡を無作為に増強する代わりに、スコアが高くなりがちな区間を含む軌跡を選んで回転などの変換を行い、訓練プールに追加する手法を取った。ノイズのある軌跡でネットワークをテストしたところ、このターゲットを絞った増強は、特に測定ノイズが強い場合に標準的なランダム増強よりも分類器を一貫して堅牢にした。ネットワークが実際に何を学習したかを理解するために、チームは内部層を解析し、Grad-CAMスコアを運動の単純な統計量――連続するステップの相関、方向の変化量、ステップ長が正規分布からどれだけ逸脱するか、時間を通しての有効な“広がり率”の変動など――と関連づけた。異なる機構は、これらの統計量が高いGrad-CAMスコアとどれほど強く一致するかにおいて固有の指紋を示した。

AIの推論を覗き見る

性能評価、可視化、慎重な統計検証を組み合わせることで、本研究は深層ネットワークが複雑な運動をどのように解読するかについて一貫した絵を描き出す。初期層はステップが反転しやすいか持続しやすいかのような非常に局所的な特徴に注目し、より深い層は粒子がどれだけ広がるかの緩やかな変化といったより遅い傾向を捉える。Grad-CAMはこれらの隠れた計算と人間の直感との橋渡しとなり、どの軌跡区間やどの種類のパターンが最も情報量を持つかを示す。専門外の読者にとっての主要な結論は、AIは厄介な粒子の運動を高い精度でラベル付けするだけでなく、その判定を支えるデータの特定部分を指し示すことができるよう教えられるということであり、物理学や生物学、その他の分野における複雑な運動のより透明でノイズ耐性のある解析への道を開くという点だ。

引用: Bae, J., Baek, Y. & Jeong, H. Exploring how deep learning decodes anomalous diffusion via Grad-CAM. Nat Commun 17, 4575 (2026). https://doi.org/10.1038/s41467-026-71229-x

キーワード: 異常拡散, 深層学習, Grad-CAM, 粒子軌跡, 説明可能なAI