This Climate Does Not Exist — AIを使って気候変動の影響を可視化するツール
世界的に自然災害が急増していることに懸念を抱いた、Mila（ケベック人工知能研究所）の人工知能研究チームは、地球上のどの地点のどの住所でも、気候変動が及ぼす潜在的な影響を確認できるウェブサイトを開発しました。
大洪水や山火事、スモッグに見舞われたら、その場所はどのように見えるでしょうか。敵対的生成ネットワーク（GAN）と呼ばれる機械学習アルゴリズムの一種を使い、サイトThis Climate Does Not Existは、Google ストリートビュー上のその場所に気候変動の影響を反映させた、リアルなフィルターを生成します。
この体験は、世界が気候変動に対して引き続き効果的に対応できなかった場合に起こりうるシナリオへの、ユーザーの認識を高めます。このプロジェクトは2年間の取り組みの集大成です。ヨシュア・ベンジオの指揮の下、30名以上の専門家と社員が動員され、同社の主要研究者であるサーシャ・ルッチョーニ、ヴィクター・シュミット、アレックス・エルナンデス＝ガルシアも参加しました。多くのパートナーによる資金面と技術面での貢献により実現しました。
This Climate Does Not Existは、人工知能と共感に基づく体験であり、ユーザーが現在の気候危機が環境に与える影響を想像できるようにするものです。GANは、コンピューターが画像を生成・変換することを可能にする機械学習フレームワークの一種です。
研究者たちは、このプロジェクトを「この気候は存在しない」と名付けました。たとえ自分の裏庭でその影響を体験していなくても、気候変動は今まさに世界中で恐ろしい結果をもたらしていることを強調するためです。また、人、猫、蝶、さらには脚など、実在しないものの画像を人工知能で生成する流行への言及でもあります。
「この名称を選んだのは、気候危機の影響を映し出す人工知能が生成した画像は現実のものではないが、認識を高め、行動を促すために役立つことを示したかったからです」とプロジェクトの制作者は述べています。彼らは気候科学の専門家ではありませんが、気候行動ネットワークなどのパートナーから信頼できる情報源を集めるために最善を尽くしました。
コンピューター科学者たちは、気候変動と環境への影響に大きな関心を寄せています。彼らは世界をより良くするためにAIを活用することを選びました。気候変動は人類にとって深刻な課題です。その壊滅的な影響を防ぐには、政策と人々の行動の両方を変える必要があります。
しかし、気候変動は自分たちに直接の脅威だと捉えにくい抽象的な現象であるため、多くの認知バイアスが人々の行動を妨げています。その結果、心理的な距離が生まれます。この認識される距離は、時間（気候変動の影響は未来に起こるため）と空間（その影響の多くは自分たちから遠い場所で起こるため）の両方に関係しうるものです。
研究によれば、洪水に襲われた都市や、山火事で破壊された森林、スモッグに包まれた街などの気候変動の影響の画像を人々に見せることは、この心理的距離を縮めるのに役立ち、特にその場所が見る人にとって馴染みのあるものであればなおさらです。
「個人向けの気候影響の画像をAIで生成することは、行動への障壁を乗り越え、この重要な課題への認識を高めるうえで特に効果的だと考えています。このプロジェクトが、閲覧者に自らの認知バイアスを見直させ、個人としても世界のコミュニティの一員としても、気候変動を止めるための行動を取るきっかけになることを願っています」と研究者たちは述べました。
敵対的生成ネットワーク（GAN）は2014年にモントリオールで考案され、画像、テキスト、さらには音楽などの新しいコンテンツを生成する能力をAIにもたらしました。当初GANは、さまざまな人物の画像などの例のセットから、人の画像を生成することを学びました。その後、ある画像群を別の画像群へ変換できるように改良されました。このプロセスは、馬をシマウマに、リンゴをオレンジに、冬景色を夏景色に変換できるCycleGANアーキテクチャで初めて実現されました。
敵対的生成ネットワーク、つまりGANは、ジェネレーターとディスクリミネーターという2つのニューラルネットワークからなる人工知能モデルです。これらのネットワークは互いに競い合います。ジェネレーターの目的は、洪水の街路のような、できるだけリアルな画像を作成してディスクリミネーターを欺くことです。一方、ディスクリミネーターは、ジェネレーターが作成した画像と、洪水を写した実際の画像を見分けようとします。このプロセスにより、ジェネレーターは生成する画像の品質を徐々に高め、ディスクリミネーターをますます欺けるようになります。
GANの学習過程の最後には、ジェネレーターが生成した画像は実際の画像と区別がつかないはずです。これは「収束」と呼ばれます。実際には、画像は非常に多くの特徴や属性を持つため、類似性を達成するのは困難です。そのためジェネレーターは、リアルな画像を作るために非常に複雑な数学関数を学習しなければなりません。こうした理由から、研究者たちがGANを開発し学習させるのに数か月を要しました。
具体的には、このアプローチでは出来事の生成を複数の部分に分けています。第1の部分は、画像に含まれる情報を圧縮した数値の集合である、共通の「表現」を学習することに焦点を当てます。第2の部分は、この情報を用いて、同じ表現から異なる出来事を生成します。これにより効率的な処理パイプラインが実現し、研究者は異なる出来事の可視化を作成するために入力画像を何度も処理する必要がありません。代わりに、画像内容の中間的な「エンコード」段階を再利用します。
スモッグの可視化では、中間表現を用いて奥行きマップを作成します。これは、各ピクセルのカメラからの距離を予測するもので、スモッグを適切にスケーリングでき、遠くにある物体は近くの物体よりもぼやけて表示されます。
山火事の画像を作成するために、研究者は共通の表現を使って「空のマスク」を生成します。これは入力画像のどのピクセルが空に属するかを予測するもので、それらをオレンジ色にし、ぼかしを適用した後、全体のコントラストを調整できるようにします。
最後に、洪水を再現するために、共通の表現を処理して「洪水マスク」を出力します。これは元のシーンのどこに水を加えるべきかを示します。そして、このマスクをパズルの最後のピースである別のニューラルネットワークに渡します。その役割は、洪水マスクに基づき、入力画像の文脈を考慮して入力画像上に水を描くことです。
Milaは、モントリオール大学のヨシュア・ベンジオ教授によって1993年に設立された人工知能の研究機関です。機械学習を専門とする500人以上の研究者が所属しています。Milaの使命は、すべての人の利益のために人工知能の革新と発展を促す科学的成果の世界的拠点となることです。
この非営利団体は、機械学習、特に言語モデリング、機械翻訳、物体認識、生成モデルの分野における大きな貢献により、国際的な評価を得ています。
