科学機械学習（SciML）は、ニューラル常微分方程式（NODE）、物理インフォームドニューラルネットワーク（PINN）、ユニバーサル微分方程式（UDE）といった手法群の総称です。これらの手法は、物理法則などの領域知識を「構造的先験情報」として組み込むことで、データが限定的な場面で強力な性能を発揮するとされてきました。しかし現実の問題では、こうした組み込まれた仮定が実際のデータ生成過程と合致しない場合があります。本研究は、そうした不一致が生じた時に何が起こるのかを、マクロ経済予測を題材として詳細に調査しました。 研究では、ARIMA、LSTM、NODE、PINN、UDEの5つのモデルファミリーを、23カ国の年間データを用いて比較評価しました。複数の時系列分割と5つの異なる乱数シードを用いた厳密な実験設計により、モデルの堅牢性を検証しています。その結果、評価したモデルのいずれも一貫して強い予測性能を達成できず、低頻度のマクロ経済予測の難しさが浮き彫りになりました。 興味深いことに、明確な相対的階層が出現しました。制約が少ないモデル、特にARIMAとNODEが、PINNやUDEといったより多くの先験情報を組み込んだモデルを一貫して上回ったのです。この結果は一見するとSciML手法の限界を示唆していますが、著者らはこれを重要な診断結果と位置付けています。つまり、構造的先験情報が実際のデータ生成過程と相違している場合、それは「誤った正則化」として機能し、むしろ予測性能を悪化させる可能性があるということです。 研究では、先験情報の不整合、体制転換、構造的変化、最適化の不安定性といった複数の失敗パターンを特定しました。これらの知見から、SciML実践者は、より多くの構造を組み込むことが必ずしも有益とは限らないこと、そして実装前に構造的先験情報が本当に役立つのかを検証することの重要性を学ぶべきだと主張しています。