LLMを活用した気候モデルの文献レビュー自動化
Semantic Scholar
2026年7月16日 (木)
- •研究チームはGPT-4 Turboを用い、2699件の論文を分析してWRFモデルの降水シミュレーションを調査した。
- •2020年以降、気象研究においてシングルモーメントからダブルモーメントへの微物理パラメータ化の移行が確認された。
- •データ分析により、6種類のパラメータ化手法が中国や米国西部などの地域で降水量を一貫して過大評価していることが判明した。
研究チームは、気象研究・予報モデル（WRF）内の降水シミュレーションに関連する2699件の科学文献を分析するため、GPT-4 Turboを活用した自動化手法を採用した。2026年7月13日に「Artificial Intelligence for the Earth Systems」で発表された本研究は、大気プロセスを数値的に表現する微物理パラメータ化の手法と、それに関連する予報誤差のデータを抽出することを目的とした。分析対象には、Lin、Ferrier、WRF Single-Moment 3-class、5-class、6-class、Goddard Cumulus Ensemble、Morrison、Thompson、およびWRF Double-Momentを含む、主要な9つのパラメータ化手法が含まれている。
分析の結果、2020年を境に研究手法に明確な変化が見られ、2020年以前はシングルモーメントが主流であったのに対し、それ以降はダブルモーメントが一般的となっている。モデルの予測性能に関しては、Lin、Ferrier、Goddardモデルがほとんどの地域で降水量を過小評価する傾向を示した。対照的に、他の6つのパラメータ化手法には降水量を過大評価する傾向があり、特に中国、東南アジア、米国西部、中央アフリカにおいて顕著な性能バイアスが観察された。研究チームは、このAI支援アプローチが膨大な科学文献を統合するためのスケーラブルな手法となり得ると指摘しており、言語モデルが研究データベースを体系的に調査し、使用パターンや過去の予報結果を特定できることを実証した。