ML アルゴリズムは物理法則に準拠していないことが多く、出力に不一致が生じます。 この物理的一貫性の問題は、アルゴリズムに対する信頼を構築するという点と、場合によってはエンドユーザーが物理法則に準拠したデータを必要とする可能性があるため、ダウンスケーリングにおいて問題になる可能性があります。 気候変動においては、出力が物理的/統計的一貫性を維持し、ホスト GCM の気候信号の気候変動信号と一致するアルゴリズムが、現在の気候に優れた複雑なアーキテクチャよりも有益である可能性があります。 ダウンスケーリングにおいては、トレーニングデータの次元が高いため、物理的な制約を作成することが困難になることがよくあります。 ただし、ソフト統計的制約とハード統計的制約の開発などの代替戦略は、いずれも有望な研究手段となる可能性があります。 もう 1 つの可能性は、タスク間でアルゴリズムパラメーターを共有することで解釈可能性とパフォーマンスを向上させることが判明したマルチタスク学習です。 図 5 に示すように、マルチタスク学習には、同じ潜在空間を共有する 2 つのタスクを実行するアルゴリズムのトレーニングが含まれます。このマルチタスク学習を通じて、1 つのタスクに制約を強制することができます (例: 保存則)、制約が他方に適用されない場合でも。 このような制約は、アルゴリズムの安定性を向上させるために天気予報において提案されています。 マルチタスク学習は、ハード制約を使用して実装することもできます。
統計的および物理的制約を ML アルゴリズムに組み込むには、既知の物理法則または統計的関係を確実に遵守するように学習プロセスを変更することが含まれ、それによってさまざまなアプリケーションにおけるアルゴリズムのパフォーマンスと解釈可能性が向上します。 困難ではありますが、これは、気候モデルのサブグリッドプロセスを表すパラメータ化の開発など、気候科学の多くの分野でますます有益であることが証明されています。
統計的または物理的制約を組み込むために一般的に使用される 2 つの戦略があり、通常は「ソフト」制約または「ハード」制約と呼ばれます。 ソフト制約は、MLアルゴリズムのトレーニング中に損失関数に組み込まれます。 たとえば、損失関数は空間平均を保存するようにカスタマイズでき、MLアルゴリズムが対応する低解像度データと一致する高解像度の予測を生成できるようになります。 この制約は、高解像度フィールドと粗解像度フィールド (降水量など) の間の一貫性を保証し、MLアルゴリズムの出力で親GCM からの気候変動信号を保存できる可能性があるため、SRダウンスケーリングで役立つ可能性があります。
コメント：経験的ダウンスケーリング（統計的DSを含む）では物理的整合についてよく議論されています。例えば、保存則を満たすように何らかの制約条件を加えることも検討されています。制約条件を加えることにより、アルゴリズムの安定性を向上できるかもしれないし、特にRCM emulatorでは効果的に機能するかもしれません。しかし、制約条件を加えることにより、観測値から大きくズレることも懸念されます（整合性を保ちつつ全球気候モデル/領域気候モデルのバイアスを補正できるのかなど、特にダウンスケーリングでは適用が難しく問題も多い）。