世界のスーパーコンピュータとそれを動かす人々


11月 19, 2026

LLMの次に来るAIのスケーリング則とは――物理世界を理解するAIが科学技術計算を変革

HPCwire Japan

2026年11月17日、米国シカゴで開催中のスーパーコンピューティング国際会議「SC26」において、カリフォルニア工科大学(California Institute of Technology、Caltech)のアニマシュリー・アナンドクマール(Animashree Anandkumar)氏が、「The Next Scaling Law After LLMs: AI That Understands the Physical World(LLMの次のスケーリング則:物理世界を理解するAI)」と題する基調講演を行った。

大規模言語モデル(LLM)の急速な発展によってAIは大きな転換点を迎えたが、アナンドクマール氏は、その次の革新は自然界の物理法則を理解し、科学的発見や工学設計を加速するAIから生まれると主張した。講演では、同氏が考案し、研究を進めてきた「ニューラルオペレーター(Neural Operator)」を中心に、気象予測、核融合、材料科学、医療機器設計などへの応用成果と、次世代AIに必要となるHPCアーキテクチャについて説明した。

言語モデルとは異なる物理世界のAI

現在のLLMの成功は、インターネット上に蓄積された膨大なテキストデータと、大規模な計算資源による学習によって実現した。しかし、自然現象を対象とするAIでは事情が大きく異なる。

原子・分子レベルから気象・気候、核融合炉、さらにはブラックホールに至るまで、物理現象は多様な時間・空間スケールにまたがっている。しかも、その学習に必要なデータは必ずしも豊富ではなく、多くの場合、従来のHPCによる数値シミュレーションを通じて生成する必要がある。

アナンドクマール氏は、こうした課題に対して、データだけに依存するのではなく、物理法則とデータを組み合わせたAIが不可欠であると説明した。

その中核となる技術がニューラルオペレーターである。従来のニューラルネットワークが特定の解像度やデータ構造を前提とするのに対し、ニューラルオペレーターは関数空間の間の写像を学習する。これにより、異なる空間解像度や計算格子に対応しながら、複雑な物理現象を効率的に予測できる。

気象予測で数万倍、核融合プラズマで100万倍の高速化

ニューラルオペレーターの代表的な成果として紹介されたのが気象予測である。同氏の研究チームは、従来の数値気象予測に匹敵する精度を維持しながら、数万倍の高速化を実現するAI気象モデル(FourCastNetシリーズ)を開発した。従来はスーパーコンピュータを必要とした計算が、単一のGPUでも実行可能になったという。

 

このモデルはオープンソースとして公開され、欧州中期予報センター(ECMWF)などを通じて研究者や気象機関による評価・利用が進んだ。特に2023年のハリケーン「リー」の進路予測では、カナダのノバスコシア州への上陸を従来の予測モデルより早い段階で捉えたとする事例を紹介した。さらに、初期条件を変化させて多数の予測を実行するアンサンブル予測にも対応し、極端気象の発生確率を推定する能力を向上させている。これは災害時の避難判断などにも重要な意味を持つ。

核融合分野では、プラズマ挙動のシミュレーションを従来の数値解法と比較して100万倍高速化した成果を紹介した。これにより、プラズマの不安定化をリアルタイムより速く予測し、核融合炉の制御に活用できる可能性がある。また、中性子の散乱現象についても、従来のモンテカルロ法による計算結果を学習に利用することで、高速な予測を実現した。

AIによる逆設計が新たな発明を生み出す

講演で強調されたもう一つの重要な方向性が、AIによる「逆設計(Inverse Design)」である。従来のシミュレーションは、与えられた形状や条件から物理現象を予測する順方向の計算が中心だった。一方、逆設計では、望ましい性能や物理状態を実現するために、最適な構造や設計条件をAIが探索する。

その実例として、医療用カテーテルの内部形状の最適化が紹介された。カテーテル内部では、細菌が壁面付近を流れに逆らって上流へ泳ぎ、尿路感染症を引き起こす可能性がある。研究チームは流れの中での細菌の運動を学習したAI(ニューラルオペレーター)を使い、細菌の移動を抑制する内部構造を探索した。最適化された形状を3Dプリンターで製作して実験した結果、上流側への細菌汚染を100分の1に低減できたという。

 

さらに、量子ドットの電極配置の最適化や、核融合炉における中性子検出用減速材の形状設計など、人間の直感では導きにくい複雑な設計にも応用している。

アナンドクマール氏は、科学的発見における真のボトルネックはアイデアの不足ではなく、それを物理世界で検証するための時間と資源にあると指摘した。

LLMが多数の研究アイデアを生成しても、そのすべてを実験することは現実的ではない。これに対し、物理法則に基づくAIで仮想空間内の設計と検証を進めることで、実際の試作や実験を大幅に効率化できるとした。

量子化学・材料科学への応用とDFTの高速化

原子・分子スケールの研究でも、AIによる計算高速化が進んでいる。アナンドクマール氏は、2022年のACMゴードン・ベル特別賞(HPCを用いたCOVID-19研究部門)を受賞した、ゲノム規模の言語モデルを用いた研究や、新型コロナウイルスの分子動力学シミュレーションなどを紹介した。

特に注目されたのが、材料科学で広く利用される密度汎関数理論(DFT)の高速化である。従来のコーン・シャム(Kohn–Sham)DFTでは、軌道の対角化に伴う計算量が大きな制約となり、計算コストが系の大きさの3乗で増大することが問題となる。同氏らが2026年8月にプレプリントとして公表した研究では、ポテンシャルから電子密度への写像をAIで直接学習することで、軌道計算を回避し、計算量を準線形に近づける手法を開発した。

その結果、従来は大型スーパーコンピュータ「Summit」の相当部分を使用していた規模の計算を、単一GPUで実行できることを示したという。これは単なる計算時間の短縮にとどまらず、従来は計算資源の制約で扱えなかった大規模な材料系への応用を可能にする技術として期待される。

1兆パラメータ、推論時5兆超のコンテキスト長へ

講演の後半では、物理世界を対象とするAIの新たなスケーリング則について説明した。LLMでは、モデルのパラメータ数、学習データ量、計算量を拡大することで性能が向上してきた。アナンドクマール氏は、物理AIでも規模の拡大によって、個別の物理現象に特化したモデルから、複数の現象を扱える汎用モデルへの進化が期待できるとした。

 

同氏が共同創業したAccelerated Understanding(2026年8月に公表)では、異なる物理現象を扱うAIモデルを1兆パラメータ規模まで拡張し、ペタバイト級のデータによる学習を進めている。さらに、最大規模の実験では、空間と時間の両方に広がる物理データを扱うため、学習時で1兆、推論時で5兆を超えるコンテキスト長を実現したと説明した。

これはLLMの一次元的なテキスト列とは大きく異なる。物理AIでは膨大な時空間データを処理する必要があり、メモリ容量、帯域幅、ノード間通信などに新たな課題が生じる。そのため、今後はLLM向けの計算基盤を単純に拡張するだけでなく、物理AIに適したハードウェア構成やHPCシステムの設計が重要になると指摘した。

また、単一のAIモデルによって波動伝播、熱拡散、剛体運動など異なる物理現象をシミュレーションできることも示した。学習時に含まれていなかった条件への外挿能力も確認されており、物理現象に共通する法則や構造を学習する汎用モデルの可能性を示している。

HPCの役割はさらに重要になる

質疑応答では、AIモデルの物理的妥当性の検証や、従来の数値計算との整合性、科学者の役割についても議論された。アナンドクマール氏は、物理法則に基づく損失関数や保存則を利用した検証、専門分野の研究者との協力が重要であると説明した。

また、AIが科学者を置き換えるという考え方には慎重な姿勢を示した。AIは顕微鏡や望遠鏡と同様、人間が直接観測・理解できない世界を探索するための新たな道具であり、研究課題の設定や設計方針の決定には引き続き人間が重要な役割を果たすとした。

今回の講演が示したのは、AIとHPCの関係が新しい段階に入りつつあるということである。これまでHPCはAIモデルの学習を支える計算基盤として重要な役割を担ってきた。しかし今後は、AIそのものが科学技術計算の方法を変革し、従来の数値シミュレーションでは到達できなかった問題の解決を可能にすると期待される。

個別の数値計算を高速化するAIから、多様な物理現象を統一的に理解する汎用物理AIへ。アナンドクマール氏が提示した「LLMの次のスケーリング則」は、AI研究だけでなく、次世代スーパーコンピュータの設計と科学技術計算の将来にも大きな示唆を与えるものであった。