物理学を「設計問題」に変えた学問
コンピュータサイエンスが物理学に持ち込んだもの。よくある答えは「計算が速くなった」だ。
違う。
高速計算機は、高性能な顕微鏡と同じである。装置が良くなっても、何をどう見るかは別の問題だ。本質的な贈り物はもっと地味で、もっと根本的だった。物理研究そのものを「計算可能な表現系をどう設計するか」という問題に翻訳したのである。
これは何を意味するか。物理法則を与える生成モデルがあり、検出器や測定手続きを表す観測モデルがある。それを有限精度・有限資源で動かす数値実装がある。物理学者はこれらを暗黙のうちに区別していたはずだが、コンピュータサイエンスはその境界をあえて明示し、インターフェースまで整理した。
するとすぐに気づく。「自然法則を発見する」という物理学の自己理解が、少しずれていることに。
どの変数を状態として採用するか。どの自由度を潜在変数として捨てるか。どのスケールでは近似で済ませるか。何を可観測量として比較するか。問われているのは真理そのものではなく、表現、抽象化、検証の設計だ。身も蓋もなく言えば、物理学のかなりの部分は「良い座標系と良い省略法を探す仕事」だった。
では、機械学習はどこに入るか。
「機械学習が第一原理を置き換える」という宣伝は派手だが、実態はそれほど単純ではない。流体・プラズマ・天体力学で本当に問題になるのは、未閉包のスケール間相互作用や未知の構成則である。必要なのは何でも記憶する関数近似器ではなく、不変量・対称性・保存則を壊さない近似器だ。
「仕様付きの学習」という言葉がある。精度だけでは足りない、ということだ。
たとえば長時間積分でエネルギー保存を壊す手法は、短期予測では当たるように見えても、長く回せば世界像そのものを崩す。シンプレクティック構造を守らないアルゴリズムも同様である。これは精度不足の問題ではない。正当性の条件に触れている。制約保存型ネットワークやゲージ等変なアーキテクチャが目指しているのはそこだ。物理法則を後付けの正則化としてではなく、計算表現の型として最初から埋め込む。法則は助言ではなく、満たさなければ計算が成立しない制約になる。
理論と実験の比較でも、同じ整理が働く。物理データは世界そのものの標本ではない。検出器応答、雑音、選別規則を通した加工済みの射影結果だ。観測値をそのまま潜在状態と比べて安心するのは、地図を現地だと思うのと同じである。比較すべきは、観測モデルを通して生成された可観測量だ。
この区別は地味だが決定的だ。verification は方程式を正しく計算できたか、validation はその方程式系が現実を記述しているか、calibration は未知パラメータをどこまで同定できるか、prediction は未観測条件へどこまで外挿できるかを問う。似た言葉だが混同すれば議論は曖昧になる。逆問題の非一意性も、ドメインギャップも、分布外外挿の失敗も、「何となく難しい」で済ませず、診断可能な誤差構造として扱える。コンピュータサイエンスは希望を与えるというより、言い逃げを減らす学問なのかもしれない。
多重スケール性についても視線は一貫している。「細かく見ればすべて解ける」という誘惑がある。しかし無限の計算資源は、たいてい予算申請書の中にしか存在しない。どのスケールを陽に解き、どこから先を閉包モデルに委ねるか。資源配分と抽象化境界の設計が問題になる。適応メッシュ、マルチグリッド、粗視化、RG的な表現学習は一見別物だが、本質は同じだ。解像度のあいだで何を残し、何を潰すかを決める翻訳の技法である。
再現性と不確実性評価も、実装管理の話ではない。知識を他者に運べる形にするプロトコル設計だ。乱数系列、並列計算の非決定性、前処理の履歴を追えなければ、結果は共有知ではなく私物にとどまる。不確実性も、誤差棒を一本添えて済む話ではない。観測雑音、系統誤差、離散化誤差、モデル誤差、分布外不確実性を区別し、どの仮定が支配的な誤差源かを説明できてはじめて、評価は科学的になる。
結局、コンピュータサイエンスが物理学にもたらしたのは楽天主義ではない。何を状態として表現し、何を制約として保存し、何を観測として比較し、どこで近似が壊れるのかを最初から明示する態度だ。そのうえで、理論・観測・計算の接続可能性を設計する。
補助線ではなく、基盤的なメタ理論になりつつある。少なくともそう見ると、いま物理学で起きていることは最もよく理解できる。