不確実性定量化（UQ）は、計算上および実世界の応用における不確実性の定量的な特性評価と推定の科学である。その目的は、システムの一部が正確に知られていない場合に、特定の結果がどの程度起こり得るかを判断することである。例えば、別の車との正面衝突における人体の加速度を予測することには不確実性が伴う。速度が正確に分かっていても、製造上のわずかな違い、ボルトの締め付け具合、その他の要因により結果が異なり、統計的な意味でのみ予測可能である。自然科学や工学の多くの問題は不確実性の源泉に満ちており、シミュレーションによるコンピュータ実験がUQを研究する最も一般的なアプローチである。
UQは、機械学習と人工知能の台頭とともにますます重要になっている。これらの分野では、モデルが固有の信頼度指標なしに予測を提供することが多い。このような文脈では、UQはモデルの信頼性を定量化するのに役立ち、医療、自動運転、金融などの高リスク領域でのより安全な展開を支援する。
不確実性の源泉
不確実性は、さまざまな方法で数学モデルや実験測定に入り込む可能性がある。1つの分類では、いくつかの源泉を区別している：
- パラメータ不確実性：コンピュータモデルへの入力であるが、物理実験では正確な値が不明または制御できないモデルパラメータから生じる。例としては、落下物体実験における局所的な自由落下加速度、有限要素解析における材料特性、マクロ経済政策最適化における乗数不確実性が挙げられる。
- パラメトリック変動性：入力変数の変動から生じる。例えば、製造された工作物の寸法が設計仕様から逸脱し、性能の変動を引き起こす可能性がある。
- 構造的不確実性：モデル不十分性、モデルバイアス、またはモデル不一致とも呼ばれ、基礎となる物理の知識不足に起因する。モデルはほぼ常に近似であり、例えば、自由落下モデルは空気摩擦を無視しており、未知のパラメータがなくてもモデルと現実の間に不一致が生じる。
- アルゴリズム的不確実性：数値的または離散的不確実性とも呼ばれ、コンピュータモデルの実装における数値誤差や近似から生じる。有限要素法や有限差分法などの手法は、偏微分方程式の解を近似し、誤差を導入する。数値積分や無限級数の打ち切りも他の例である。
- 実験的不確実性：観測誤差とも呼ばれ、実験測定の変動から生じる。同一の設定で測定を繰り返すと異なる結果が得られるため、この不確実性は避けられない。
- 補間不確実性：シミュレーションや実験からのデータ不足に起因する。データのない入力設定については、補間または外挿が必要となり、不確実性が導入される。
偶然的不確実性と認識論的不確実性
不確実性は、特に医療応用において、2つのカテゴリに分類されることが多い：
- 偶然的不確実性：確率的不確実性とも呼ばれ、同じ実験を毎回実行するたびに異なる未知数を表す。例えば、各発射を正確に再現する機械式弓で射られた矢は、矢軸のランダムな振動により、すべて同じ点に当たるわけではない。この用語は、ラテン語のalea（サイコロ）に由来し、偶然のゲームを指す。偶然的不確実性は実際には削減不可能であるが、測定の改善により理論的には認識論的不確実性に移行し得る。
- 認識論的不確実性：系統的不確実性とも呼ばれ、原理的には知り得るが実際には知らない事柄から生じる。これは、不正確な測定、無視されたモデル効果、または意図的に隠されたデータによる可能性がある。例えば、一般的に使用される重力加速度9.8 m/s²は空気抵抗を無視しているが、空気抵抗を測定して組み込むことで、重力加速度の計算における不確実性を減らすことができる。
偶然的不確実性と認識論的不確実性は同時に発生し得る。例えば、実験パラメータが偶然的不確実性を示し、それがコンピュータシミュレーションへの入力となる場合、コンピュータ実験から学習された代理モデル（例えば、ガウス過程や多項式カオス展開）は、偶然的不確実性に依存または相互作用する認識論的不確実性を示す。このような複合的不確実性は、より一般的な推論的不確実性である。
実際の応用では、両方のタイプが存在し、UQはそれらを別々に表現することを目指す。偶然的不確実性の定量化は比較的簡単で、伝統的な頻度論的確率やモンテカルロ法などの手法がよく使用される。確率分布は、モーメント（ガウス分布の場合、平均と共分散で十分であるが、一般にはすべてのモーメントが分布を一意に特定するわけではない）またはカルフネン・ロエーブ展開や多項式カオス展開によって表現できる。認識論的不確実性は、一般にベイズ確率を通じて理解され、確率は信念の度合いとして解釈される。
不確実性定量化の方法
UQは、さまざまな計算および統計的手法を採用している：
- モンテカルロ法：出力の確率分布を推定するために、繰り返しランダムサンプリングを行う。偶然的不確実性の伝播に広く使用されるが、複雑なモデルでは計算コストが高くなる可能性がある。
- 多項式カオス展開：モデル出力を入力変数の直交多項式の展開として表現し、効率的な不確実性伝播を可能にする。入力分布が既知の場合に特に有用である。
- ガウス過程エミュレータ：クリギングとも呼ばれ、これらの代理モデルは高価なシミュレーションを近似し、関連する不確実性を伴う予測を提供する。UQのための機械学習で一般的である。
- ベイズ推論：この枠組みは、データに基づいてモデルパラメータに関する信念を更新し、認識論的不確実性を定量化する事後分布を生成する。多くのUQアプローチの中心である。
- 感度分析：どの入力不確実性が出力変動に最も影響を与えるかを特定し、不確実性低減のためのリソース配分を導く。
深層学習では、UQ手法にはベイズニューラルネットワーク、モンテカルロドロップアウト、アンサンブル法が含まれる。これらのアプローチは予測的不確実性を推定し、これは信頼性の高い大規模言語モデル出力や他のAIシステムにとって重要である。
応用
UQは多様な分野に適用されている：
- 工学：構造工学および航空宇宙工学では、UQは材料および荷重の不確実性の下での安全余裕を評価する。例えば、航空機部品の有限要素モデルは、信頼性を確保するためにUQを組み込む。
- 気候モデリング：気候予測は、将来の気温および降水量シナリオの不確実性を定量化するためにUQに依存し、政策決定に情報を提供する。
- 医療：医療診断および治療計画では、UQはモデル予測の解釈を支援し、例えば画像解析では、不確実性が検出された異常に対する信頼度を示す。
- 金融：リスク評価およびポートフォリオ最適化は、市場の不確実性と極端な事象をモデル化するためにUQを使用する。
- 自律システム：ウェイモやテスラ・オートパイロットなどの自動運転車両は、知覚および意思決定における信頼度を評価するためにUQを使用し、安全性を向上させる。
- 自然科学：物理学および化学では、UQは複雑なシステムのシミュレーションにおける実験およびモデリングの不確実性を定量化する。
課題と将来の方向性
進歩にもかかわらず、UQはいくつかの課題に直面している：
- 計算コスト：高忠実度シミュレーションは高価であり、広範な不確実性伝播を困難にする。代理モデルは役立つが、独自の不確実性を導入する。
- 高次元性：多くの不確実なパラメータを持つシステムは、次元の呪いを回避するための効率的な方法を必要とする。
- モデル不十分性：真のモデルが不明であるため、構造的不確実性の定量化は難しい。ベイズモデル平均化などのアプローチがこれに対処しようとしている。
- データ不足：多くの応用では、限られたデータが正確な不確実性推定を妨げ、特に認識論的不確実性に対して顕著である。
将来の研究は、UQと機械学習および深層学習の統合、スケーラブルなアルゴリズムの開発、解釈可能性の向上に焦点を当てている。AIシステムがより普及するにつれて、UQは信頼できる意思決定のために不可欠となるだろう。
人工知能との関係
人工知能では、UQはモデルの信頼性にとって重要である。ニューラルネットワークモデルは過信な予測を生成することが多く、UQ手法は信頼度の較正に役立つ。大規模言語モデルでは、UQはモデルが応答について不確実な場合を示し、幻覚を減らすことができる。OpenAI、Anthropic、Google DeepMindなどの組織は、安全性を高めるためにUQ研究に投資している。温度スケーリングやアンサンブル法などの手法が較正を改善するために使用される。UQはまた、生成AIとも交差し、生成コンテンツの不確実性を測定することが活発な研究分野である。
関連項目
- 機械学習
- 深層学習
- ニューラルネットワーク
- 大規模言語モデル
- ベイズ推論（リストにはないが、関連がある）
参考文献
この記事は、不確実性定量化に関するウィキペディアの項目に基づいており、このトピックの包括的な概要を提供している。