現代の天文学は、Vera C. Rubin天文台やRoman宇宙望遠鏡などに代表される次世代の観測サーベイの稼働により、かつてない規模のデータ主導型科学へと急激に移行しています。こうした膨大なデータを前にして、従来の解析手法では限界が見え始めており、AI（人工知能）の活用はもはや贅沢品ではなく必須の条件となっています。

しかし、深層学習（Deep Learning）は単なる計算処理の高速化ツールにとどまりません。AIは、物理学の研究者が新たな発見を追求するプロセスそのものを根本から変革する可能性を秘めています。

この記事では、AIを中身の分からないブラックボックスとして扱うのではなく、物理的・数学的な背景に基づいた「帰納的バイアス（Inductive Biases）」の重要性を紐解きます。そして、画像分類からシミュレーション推論まで、研究の様々な段階でどのように深層学習を活用して研究を進めることができるのかを、具体例を交えて概観します。

1. 深層学習のアーキテクチャ

宇宙物理学の研究で扱うデータは、画像、時系列、点群など様々な形式をとります。それぞれのデータ構造が持つ物理的な特性（帰納的バイアス）に合わせて、最適なネットワークを選択することがAI活用の成功の鍵となります。ここでは、研究の基盤となる代表的な4つのアーキテクチャを取り上げます。

畳み込みニューラルネットワーク (CNN: Convolutional Neural Networks)

画像データ（たとえば銀河の観測画像）を処理する際、CNNは非常に強力なツールです。CNNはフィルタ（カーネル）を画像全体でスライドさせる「重み共有」という仕組みを持っており、これによって対象物が画像のどこにあっても同じように特徴を捉えることができます。これを「並進等変性 (Translation Equivariance)」と呼びます。

しかしながら、宇宙空間のデータには特有の課題があります。電波銀河などを観測する際、宇宙には絶対的な「上下」が存在しないため、天体は様々な向きで現れます。標準的なCNNは平行移動には強いですが、回転に対しては非常に脆弱です。この課題を解決するために、回転や反転といった物理的な対称性をネットワークの数学的構造自体に直接組み込んだ「群等変CNN (Group Equivariant CNN)」を活用することが重要になります。

再帰型ニューラルネットワーク (RNN: Recurrent Neural Networks)

超新星の光度曲線や重力波のシグナルなど、データの「順序」が意味を持つ時系列データを扱う場合はRNNが適しています。RNNは過去の情報を「隠れ状態」として保持しながら、ステップごとにデータの処理を進めます。

しかし、長い観測データを扱うと、過去の記憶が薄れて学習がうまく進まなくなる「勾配消失問題」が発生しやすくなります。これを防ぐために、情報をどれだけ保持し、どれだけ破棄するかを学習可能なゲートで制御する LSTM (Long Short-Term Memory) や GRU (Gated Recurrent Unit) という拡張アーキテクチャが活躍します。これらのアーキテクチャは、データが蓄積するにつれて予測の確信度を上げていくことができるため、新しい観測データが次々と届くアラートブローカーなどにおける、リアルタイムな突発天体分類に最適です。

トランスフォーマー (Transformers)

トランスフォーマーは、RNNのように順番に処理を進めるのではなく、系列データを一度に並列で処理するアーキテクチャです。その中核となるのが、長い系列内でのデータの依存関係を捉える「自己注意機構 (Self-Attention)」です。

この機構は、以下の数式で表されます。

$$\mathrm{Attention}(Q, K, V) = \mathrm{softmax}\left(\frac{QK^\top}{\sqrt{d}} + M\right)V$$

ここで、各データ点は「クエリ（\(Q\): 検索したい特徴）」と「キー（\(K\): 各データが持つ特徴のラベル）」というベクトルに変換されます。この2つの内積（\(QK^\top\)）を計算することで、あるデータ点が他のすべてのデータ点を「どれくらい重視すべきか（注意を向けるべきか）」を決定します。これにより、どれだけ離れた時間や位置にあるデータ同士でも、その長距離の関連性をしっかりと捉えることが可能になります。

グラフニューラルネットワーク (GNN: Graph Neural Networks)

宇宙のデータは、必ずしもきれいなグリッド状（画像）や順序立った系列（時間）に収まるわけではありません。たとえば、天の川銀河の潮汐力で引き裂かれた恒星ストリームのような「点群データ」は、非ユークリッド構造を持ちます。このようなデータにはGNNを適用します。

GNNは、各星を「ノード（頂点）」とし、星同士の物理的な近さなどを「エッジ（つながり）」としてグラフを構築します。そして、「メッセージパッシング (Message Passing)」と呼ばれる仕組みを用いて学習を進めます。これは、近くにあるノード同士で互いに情報を交換し合い、ノイズ間で情報を集約することで、全体の構造を理解していくプロセスです。具体的な応用例として、摂動を受けた恒星ストリームのグラフ構造をGNNで分析し、そこから目に見えない暗黒物質（ダークマター）サブハロの質量や衝突速度を推定するといった回帰タスクを実施することが可能です。

2. 生成モデルと推論

宇宙物理学において、確率分布を正確にモデリングすることは非常に重要です。観測誤差の評価から、複雑な物理パラメータの推論まで、様々な場面で確率分布が主役となります。ここでは、データから背後にある物理法則や分布を学習し、新たな知見を引き出す生成モデルと推論の手法について解説します。

Normalizing Flows

Normalizing Flows（正規化フロー）は、標準ガウス分布のような単純な確率分布を出発点とし、そこに「可逆な変換」を連続して適用することで、銀河のデータ分布のような複雑な天文データの分布へと変形させる手法です。

この手法の最大の利点は、データがその分布から生成される確率密度を厳密に計算できる点にあります。確率密度の計算には、以下の変数変換の公式を用います。

$$\log p(x) = \log p(z) + \log \left| \det \frac{\partial z}{\partial x} \right|$$

ここで重要になるのが、右辺のヤコビアンの行列式（\(\det \frac{\partial z}{\partial x}\)）です。変換を複雑にすればするほど表現力は増しますが、計算コストも膨大になります。そのため、逆変換が容易で、かつヤコビアンの行列式を低コストで計算できるネットワーク構造を設計することが、この技術を活用して研究を進める上で極めて重要です。

Diffusion Models（拡散モデル）

生成AIの分野で革命を起こしているDiffusion Modelsは、宇宙画像の解析でも強力なツールとして機能します。このモデルは、クリアな画像に徐々にガウスノイズを加えていく「順過程」と、純粋なノイズから少しずつノイズを除去して元のデータを生成する「逆過程」の2つから成り立ちます。

逆過程では、「スコアマッチング (Score Matching)」と呼ばれる手法により、データ分布の勾配（ベクトル場）を学習し、Langevin動力学に似たアプローチでノイズから真のシグナルへとデータを押し上げていきます。具体的な応用として、大気のゆらぎや計器ノイズによって劣化した望遠鏡の観測画像から、真の銀河のシャープな形態を復元（デコンボリューション）するといったタスクに取り組むことができます。

Flow Matching

Flow Matchingは、単純なノイズから複雑なデータ分布へと至る連続的な「確率流（ベクトル場）」を直接学習する、効率的な生成フレームワークです。計算コストの高い微分方程式のシミュレーションを学習時に回避できる点が特徴です。

この手法は、物理パラメータを条件として与えることで、強力なエミュレータとして機能します。たとえば、特定の恒星の「年齢」と「金属量」を条件として入力するだけで、それに対応するリアルなカラーマグニチュード図（CMD: Color-Magnitude Diagram）の分布を即座に生成することが可能になります。

Simulation-Based Inference (SBI)

現代の天文学では、高度な物理シミュレータを使用することが一般的ですが、これらは複雑すぎるため、観測データが得られる確率（尤度関数）を解析的に計算できないという問題があります。この課題を解決するのが、Simulation-Based Inference (SBI)（シミュレーションベース推論）です。

SBIでは、事前にシミュレータで大量のモックデータを生成し、ニューラルネットワークを用いて事後分布を直接推定するNPE (Neural Posterior Estimation)や、尤度関数を近似するNLE (Neural Likelihood Estimation)を構築します。たとえば、学習させたNLEをマルコフ連鎖モンテカルロ法（MCMC: Markov Chain Monte Carlo）等と組み合わせることで、ノイズの多い観測データから、背後にある物理パラメータの厳密なベイズ推論を実施できるようになります。

3. 深層強化学習

これまで見てきたような静的なデータセットからの学習とは異なり、現実の研究では「次々に意思決定を行い、その結果として後から評価を得る（遅延報酬）」という状況が頻繁に発生します。このような動的な環境での順次意思決定に最適な枠組みが、深層強化学習（Deep Reinforcement Learning）です。

動的環境での順次意思決定と物理システムへの適用

深層強化学習では、AI（エージェント）が環境と相互作用しながら、どのような状況（状態）でどのような行動をとるべきかという最適な「方策（ポリシー）」を自律的に学習します。

天文学においてこの技術を活用する最大の利点は、ブラックボックス化された「微分不可能な物理システム」に適用できる点にあります。たとえば、地上望遠鏡における適応光学の動的制御や、観測の自律的なスケジューリングの策定などが挙げられます。物理的なハードウェアや複雑なシミュレータを通して誤差逆伝播（バックプロパゲーション）を行うことは不可能ですが、強化学習を利用すれば、環境を直接微分することなくシステム全体を最適化して研究を進めることができます。

REINFORCEアルゴリズムの仕組み

では、環境を通して微分できない問題に対して、私たちはどうやって対処すればよいのでしょうか。その答えとなるのが、REINFORCEと呼ばれる代表的な方策勾配アルゴリズムで用いられる「対数微分のトリック（Log-derivative trick）」です。

このトリックを用いると、方策のパラメータ \(\theta\) を更新するための勾配を、次のような数式で近似計算できるようになります。

$$\nabla_\theta J(\theta) \approx \frac{1}{N} \sum_{i=1}^N \left[ r(\tau_i) \sum_{t=0}^T \nabla_\theta \log \pi_\theta(a_{i,t} \mid s_{i,t}) \right]$$

少し複雑に見えるかもしれませんが、直感的な意味は非常にシンプルです。 数式内の \(r(\tau_i)\) は、エージェントが行動した結果として得られた軌跡全体の報酬（スカラー値）を表します。そして \(\nabla_\theta \log \pi_\theta\) の部分は、ニューラルネットワークが選んだ行動の対数確率の勾配です。

つまり、この数式は「高い報酬 \(r\) をもたらした軌跡（一連の行動）に対しては、その行動が選ばれる確率をさらに引き上げ、逆に報酬が低かった行動の確率は下げる」という操作を行っています。未知の物理環境を無理に微分しようとするのではなく、ネットワークが自分自身が出力した行動の確率を微分し、その結果を実際の報酬で重み付けするというアプローチにより、AIは試行錯誤を通じて自律的に最適な制御方法を獲得していくのです。

4. 大規模言語モデルとエージェント

これまでの章で見てきた深層学習モデルは、主に画像や時系列などの観測データを直接処理するためのものでした。しかし、近年急激に発展している大規模言語モデル（LLM: Large Language Models）は、単なるテキスト生成器にとどまりません。外部のプログラムやデータベースと連携させることで、研究プロセス全体を自律的に支援する強力な「エージェント」へと進化しています。

ツール利用とRAG（検索拡張生成）

LLMを天文学の研究アシスタントとして本格的に活用するためには、計算の不正確さや、学習データに含まれない情報への対応といった課題を克服する必要があります。これを解決するのが以下の2つのアプローチです。

• 関数ツール (Function Tools): LLMに、私たちが作成した決定論的なPython関数などを直接実行させる仕組みです。たとえば、「赤方偏移 \(z=0.5\) の光度距離を計算して」と入力すると、LLMは自ら数値を推測するのではなく、用意された計算ツールをいつ使うべきか判断して呼び出し、正確な数値を導き出して回答に組み込みます。これにより、複雑な天文学の計算処理を正確に実施することが可能になります。
• 検索拡張生成 (RAG: Retrieval-Augmented Generation): LLMに外部の専門的な知識を与える技術です。自身の観測ログや大量の論文PDFといったドキュメントを小さな文章の塊（チャンク）に分割し、それぞれを「ベクトル埋め込み (Embeddings)」という数値のリストに変換します。質問が入力されると、意味的類似度（コサイン類似度など）を計算して関連する情報を瞬時に検索し、その情報を文脈としてLLMに渡して回答を生成させます。これにより、手元のデータに基づいた信頼性の高い文献調査などを進めることができます。

マルチエージェントシステム

関数ツールやRAGを備えたLLMを、さらに複数組み合わせて対話させるものが「マルチエージェントシステム」です。これは、複数の自律的なAIエージェントが、共通の目標に向けて協調したり、互いに競争したりするアーキテクチャです。

このシステムは、天文学における新しい仮説の構築や検証において非常に強力な力を発揮します。たとえば、以下のようなワークフローを構築して研究に取り組む事例があります。

• アイデアメーカー (Idea Maker): 特定の天文学のトピックについて、新しい研究アイデアや仮説を提案するエージェント。
• アイデアヘイター (Idea Hater): Makerが提案したアイデアに対し、観測的な制約や物理的な見落としがないかなどを厳しく批判するエージェント。

この2つのエージェント間で「提案」と「批判」のループを自動的に反復させることで、初期の粗削りなアイデアが、より現実的で洗練された研究仮説へと昇華されます。このように、AIエージェントを単なる計算ツールとしてではなく、研究の議論相手として活用することで、より質の高い科学的探求を進めることができるのです。

おわりに

深層学習は驚異的な予測能力を持ちますが、それが直ちに物理的な「説明」を意味するわけではありません。AIの優れた予測精度を、現象の根本的な理解と混同してしまう「理解の錯覚（Illusions of understanding）」に陥らないよう注意が必要です。

AIが様々な仮説を即座に生成できる現代において、どのモデルを採用し、どの研究仮説に貴重な計算資源を投じる価値があるかを最終的に評価するのは、私たち人間の科学者です。

望遠鏡という複雑な観測機器を使いこなして研究を進めるのと同じように、AIツールの特性と限界を把握する「実用的な理解」を深めること。それこそが、これからの宇宙物理学において最も重要なスキルの一つになります。

More Information

• arXiv:1602.07576, Taco S. Cohen, Max Welling, 「Group Equivariant Convolutional Networks」, https://arxiv.org/abs/1602.07576
• arXiv:1706.03762, Ashish Vaswani et al., 「Attention Is All You Need」, https://arxiv.org/abs/1706.03762
• arXiv:1812.08434, Jie Zhou et al., 「Graph Neural Networks: A Review of Methods and Applications」, https://arxiv.org/abs/1812.08434
• arXiv:2005.11401, Patrick Lewis et al., 「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」, https://arxiv.org/abs/2005.11401
• arXiv:2105.06756, Christian Bakke Vennerød et al., 「Long Short-term Memory RNN」, https://arxiv.org/abs/2105.06756
• arXiv:2307.06967, Christopher C. Lovell et al., 「A Hierarchy of Normalizing Flows for Modelling the Galaxy-Halo Relationship」, https://arxiv.org/abs/2307.06967
• arXiv:2502.11134, Yajie Zhang et al., 「Solving Online Resource-Constrained Scheduling for Follow-Up Observation in Astronomy: a Reinforcement Learning Approach」, https://arxiv.org/abs/2502.11134
• arXiv:2506.16255, Xingzhong Fan et al., 「Category-based Galaxy Image Generation via Diffusion Models」, https://arxiv.org/abs/2506.16255
• arXiv:2512.04600, Giuseppe Viterbo, Tobias Buck, 「The dynamical memory of tidal stellar streams: Joint inference of the Galactic potential and the progenitor of GD-1 with flow matching」, https://arxiv.org/abs/2512.04600