「実データで動かしたら、曲率マップが教科書と全然違った」

第7話——手術理論の適用限界と、5つの幾何学的拡張ロードマップ

これまでのあらすじ：

リルル先生の研究室で、経営環境多様体パイプラインの第2層（信頼性担保：MCドロップアウト・SHAP・因果推論）を構築した（1〜6話）。リームのベンチャーが7社と契約し、14体のAI Agentを全地球経営環境多様体上で稼働させたところ、位相同期・カスケード・フラクタルの創発現象が発生した（番外編）。

数学科長の倉田教授は「デジタルツインの創発は現実世界の低次元射影であり、構造的価値を持つ」と位置づけた。今回から、5つの幾何学的拡張を創発現象への対処として実装していく続編シリーズが始まる。

この話は、以下の話の続きです。

番外編から2週間後。金曜日の研究室。

テーブルの上にクランペット——イギリスの丸い発酵パンケーキ。小さな穴がたくさん開いた表面にバターが溶け込んでいる。リームがロンドンから送ってきた冷凍便を、リルル先生が研究室のトースターで焼いた。

リームはロンドンからウェブ会議で参加。大型モニターに映るリームの背後に、全地球経営環境多様体のリアルタイム曲率マップが見える。

カイトが大きなあくびをする。

第1話「昨夜、一睡もできなくて」

リルル先生: カイト、顔色悪いぞ。

カイト: （もう一回あくびをして）すみません……昨夜、一睡もできなくて。

ユキ: 徹夜でコード書いてたんですか？

カイト: いや、コードじゃなくて……ずっと考え込んでた。先生、番外編で出てきた手術理論の話、ずっと引っかかってたんです。

リルル先生: 引っかかった？

カイト: はい。あの後、スマホで手術理論について調べまくったんです。Wikipedia、nLabの記事、MathOverflowの議論……。で、調べれば調べるほど、**これ、やばくないですか？**って思って。

リルル先生: 何がやばい？

カイト: （あくびを噛み殺しながら）

手術理論って、もともとの目的は**「シンプルで単純な位相的形状を分類すること」**ですよね。球面とかトーラスとか、理想的な形の多様体を、ハンドルを付けたり外したりして分類する理論。

でも、うちの経営環境多様体はどんな複雑な形状をしているか分からない任意の形状の多様体です。VAEが学習したデータ駆動の、ぐにゃぐにゃの、理想的な形からは程遠い多様体。

手術理論って、こういう任意の複雑な形状の多様体のかたちを分類したり、位相変化を予測したりすることが「できる」理論なんですか？

番外編の議論で、TopologicalChangePredictorのコードまで書いたけど——

手術理論の適用範囲を大きく逸脱していませんか？

（カイト、テーブルに突っ伏しそうになる）

カイト: この問いで昨夜ずっと悶々として、朝から眠くて死にそうです……。

第2話「いい質問だ。よく気づいた」

リルル先生: ……カイト。

カイト: はい。

リルル先生: いい質問だわ。よく気づいたね。

カイト: え？

リルル先生: その違和感は数学的に正しい。手術理論の適用範囲について、正確に整理するね。

（ホワイトボードに向かう）

【手術理論（Surgery Theory）の本来の射程】

対象: 高次元（n ≥ 5）の閉多様体
目的: 多様体の微分同相型の分類

核心の操作:
  1. 多様体 M の中に埋め込まれた球面 S^k × D^{n-k} を切り取る
  2. 代わりに D^{k+1} × S^{n-k-1} を貼り付ける
  → 多様体のトポロジーが変わる（ハンドルの接着/除去）

分類定理（Kervaire-Milnor, Wall等）:
  ・単連結閉多様体（n ≥ 5）の分類
  ・L群（手術の「障害」を記述する代数的対象）による判定

前提条件:
  ✓ 多様体が滑らかであること
  ✓ 次元が十分高いこと（n ≥ 5 が典型的）
  ✓ 位相型が「理想的な」参照多様体に近いこと
    （正規写像の存在が必要）

リルル先生: カイトが指摘した通り、古典的な手術理論は「シンプルな形の分類」が目的であって、「任意の複雑な形状の多様体の位相変化をリアルタイムに予測する」ための理論ではない。

カイト: やっぱり……。

リルル先生: ただし、話はここで終わらない。

第3話「使えるのは手術理論そのものではなく、その背後にあるモース理論」

リルル先生: 番外編で僕が実際に使おうとしたのは、手術理論の全体ではない。手術理論の**基盤にあるモース理論（Morse Theory）**の方だ。

リン: モース理論と手術理論は別物ですか？

リルル先生: 関係は深いけど、射程が違う。

【モース理論（Morse Theory）】

対象: 滑らかな多様体 M 上の滑らかな関数 f: M → R
目的: f の臨界点（微分がゼロになる点）から、
     M の位相を読み取る

核心の定理:
  ・多様体のトポロジーは、モース関数の臨界点の
   「指数」（ヘッセ行列の負の固有値の数）で決まる
  ・臨界値を通過するたびに、多様体の位相が変わる
   （ハンドルが1つ付く）

前提条件:
  ✓ 関数 f がモース関数であること
   （臨界点が非退化：ヘッセ行列が正則）
  ✓ 多様体が滑らかであること

リルル先生: モース理論の強みは、任意の滑らかな多様体上の任意のモース関数に適用できること。「シンプルな形」に限定されない。

うちの経営環境多様体で言えば——

多様体 $M$：VAEのデコーダが定義する潜在空間の像
モース関数 $f$：スカラー曲率 $\mathrm{Scal}(z)$
臨界点：曲率の極大（安定領域の中心）、極小（不安定領域の中心）、鞍点（境界）

リルル先生: 番外編のTopologicalChangePredictorがやっていたのは、スカラー曲率というモース関数の臨界点を追跡して、臨界点が合流（birth-death）するタイミングを予測すること。これはモース理論の直接的な応用であって、手術理論のフルパワーは必要ない。

カイト: ……あ、なるほど。僕が「手術理論」って聞いて想像してたのは、多様体のトポロジーを直接操作する壮大な理論だった。でも実際に使うのは、その手前の「モース理論による臨界点追跡」だけ。

リルル先生: そう。名前の大きさに惑わされた。

リーム: （ウェブ会議画面から）カイトさんの疑問は、私も最初に感じたものです。番外編の議論で「手術理論」という言葉が出たとき、Agentが多様体のトポロジーを文字通り「手術」するのかと思って身構えました。

実際にやっていたのは「曲率の臨界点が合流する予兆を検知する」こと。臨界点の合流は、モース理論の言葉で「birth-death分岐」と呼ばれます。臨界点の1つが消滅すると、安定領域と不安定領域の接続関係が変わる——これが経営環境多様体の「位相変化」に対応する。

でもこの「位相変化」は、古典的な手術理論が扱うような $S^k \times D^{n-k}$ の切り貼りではなく、パラメータ依存のモース関数の分岐として記述される。

第4話「じゃあ、手術理論の名前を出したのは不正確だったんですか？」

リン: 先生、率直に聞きます。番外編で「手術理論」の名前を出したのは、不正確だったんですか？

リルル先生: ……半分はYes、半分はNo。

不正確だった点： 「手術理論で位相変化を予測する」という表現は、読者に「任意の多様体のトポロジーを分類できる万能ツール」という印象を与えた可能性がある。カイトがまさにそう受け取った。

正確だった点： モース理論は手術理論の基盤であり、臨界点の birth-death 分岐は、ハンドルの接着/除去と数学的に対応している。だから「手術理論的な位相変化」という表現自体は間違いではない。ただし、フルスケールの手術理論（Wall の分類定理とか、L群の計算とか）は使っていない。

リルル先生: 正確に言い直すとこうだ。

【番外編で実際にやったこと】
  ✓ モース理論: スカラー曲率の臨界点追跡
  ✓ 分岐理論: 臨界点の birth-death による位相変化の予測
  ✗ 手術理論（フルスケール）: 使っていない

【正しい位置づけ】
  「手術理論にインスパイアされた、
   モース理論＋分岐理論による
   経営環境多様体の位相変化予測」

カイト: ……安心しました。フルスケールの手術理論が必要だとしたら、実装が恐ろしいことになるところでした。

リルル先生: モース理論と分岐理論なら、ヘッセ行列の固有値を追跡するだけだから、autogradで計算できる範囲だ。

カイト: （ようやく目が覚めてきた顔で）じゃあ、番外編のTopologicalChangePredictorのコードは、名前を「MorseBirthDeathPredictor」に変えた方が正確ですね。

リルル先生: そうだ。名前は大事。

class MorseBirthDeathPredictor:
    """
    モース理論に基づく臨界点の birth-death 分岐予測器。
    
    （旧名: TopologicalChangePredictor）
    
    やっていること:
    ・スカラー曲率 Scal(z) をモース関数として扱う
    ・臨界点（極大・極小・鞍点）の時間発展を追跡
    ・2つの臨界点が接近→合流すると、
     多様体の「地形の接続関係」が変わる
    
    やっていないこと:
    ・古典的手術理論のハンドル接着/除去
    ・多様体の微分同相型の分類
    ・L群の計算
    """
    
    def detect_morse_critical_points(self, curvature_field, z_grid):
        """
        スカラー曲率のモース臨界点を検出。
        
        極大（指数0）: 安定領域の中心
        極小（指数d）: 不安定領域の中心
        鞍点（指数k, 0<k<d）: 安定/不安定の境界
        
        判定方法: ヘッセ行列の固有値の符号
        """
        import torch
        
        critical_points = []
        
        for z_np in z_grid:
            z = torch.tensor(z_np, dtype=torch.float32, requires_grad=True)
            
            # スカラー曲率の勾配
            scal = self.compute_scalar_curvature(z)
            grad = torch.autograd.grad(scal, z, create_graph=True)[0]
            grad_norm = torch.norm(grad).item()
            
            if grad_norm < 1e-4:  # 臨界点候補
                # ヘッセ行列の計算
                hessian = torch.zeros(len(z_np), len(z_np))
                for i in range(len(z_np)):
                    h_row = torch.autograd.grad(
                        grad[i], z, retain_graph=True
                    )[0]
                    hessian[i] = h_row
                
                # 固有値 → モース指数
                eigenvalues = torch.linalg.eigvalsh(hessian)
                morse_index = (eigenvalues < 0).sum().item()
                is_nondegenerate = (torch.abs(eigenvalues) > 1e-6).all()
                
                if is_nondegenerate:
                    critical_points.append({
                        'position': z_np.copy(),
                        'curvature_value': scal.item(),
                        'morse_index': morse_index,
                        'type': self.classify_critical_point(
                            morse_index, len(z_np)),
                        'eigenvalues': eigenvalues.detach().numpy(),
                    })
        
        return critical_points
    
    def classify_critical_point(self, index, dim):
        if index == 0:
            return 'maximum (stable center)'
        elif index == dim:
            return 'minimum (unstable center)'
        else:
            return f'saddle (index {index})'
    
    def predict_birth_death(self, critical_points_history, dt=1.0):
        """
        臨界点の軌跡から birth-death 分岐を予測。
        
        Birth-death分岐:
        ・2つの臨界点（指数 k と k+1）が接近し合流すると、
         両方が消滅する。
        ・これが起きると、安定領域の「島」が消えたり、
         不安定領域同士が合流したりする。
        """
        if len(critical_points_history) < 3:
            return []
        
        predictions = []
        latest = critical_points_history[-1]
        
        for i, cp_i in enumerate(latest):
            for j, cp_j in enumerate(latest):
                if i >= j:
                    continue
                # birth-deathは隣接する指数のペアで起きる
                if abs(cp_i['morse_index'] - cp_j['morse_index']) != 1:
                    continue
                
                # 現在の距離
                dist = np.linalg.norm(
                    cp_i['position'] - cp_j['position']
                )
                
                # 過去の距離推移から接近速度を推定
                speeds = self.estimate_approach_speed(
                    critical_points_history, i, j
                )
                
                if len(speeds) > 0 and np.mean(speeds) < 0:
                    # 接近中
                    time_to_collision = dist / abs(np.mean(speeds))
                    
                    if time_to_collision < 12:  # 12ヶ月以内
                        predictions.append({
                            'type': 'birth_death_bifurcation',
                            'pair': (i, j),
                            'morse_indices': (
                                cp_i['morse_index'], 
                                cp_j['morse_index']
                            ),
                            'estimated_time': time_to_collision,
                            'current_distance': dist,
                            'approach_speed': np.mean(speeds),
                            'interpretation': self.interpret_bifurcation(
                                cp_i, cp_j
                            ),
                        })
        
        return predictions
    
    def interpret_bifurcation(self, cp_i, cp_j):
        """分岐の経営的意味を解釈"""
        if cp_i['type'].startswith('maximum') or \
           cp_j['type'].startswith('maximum'):
            return ("安定領域の中心と鞍点が合流 → "
                    "安定領域が縮小・消滅する予兆。"
                    "その安定領域に依存する経営戦略は再検討が必要。")
        elif cp_i['type'].startswith('minimum') or \
             cp_j['type'].startswith('minimum'):
            return ("不安定領域の中心と鞍点が合流 → "
                    "不安定領域同士が合流し、より広範な不安定化の予兆。"
                    "リスク管理の範囲を拡大する必要あり。")
        else:
            return ("鞍点同士の合流 → "
                    "安定/不安定領域の境界構造が再編される。"
                    "経営環境の質的な転換点の可能性。")

第5話「品質チェックが7項目中4項目で不合格」

リルル先生: よし、手術理論の問題は整理できた。次に進もう。カイト、実データの結果は？

カイト: （あくびを噛み殺しながら）はい。リームさんの全地球経営環境多様体から、アパレル企業のデータを抽出して、うちの全統合パイプラインで品質チェックを走らせました。

=== 品質チェック結果（アパレル企業・実データ）===

□ VAEフルランク検証             → ✓ PASS
  ヤコビ行列のランク: 6/6（フルランク）
  
□ 計量テンソルの条件数           → ✗ FAIL
  条件数: 24,800（閾値10,000を超過）
  → 計量が病的に歪んでいる。
  
□ MCドロップアウトの収束          → ✗ FAIL
  500回で標準偏差の変動: 12.3%（閾値5%を超過）
  
□ 判定不能の割合               → ✗ FAIL
  判定不能: 94%（閾値50%を超過）
  → ほぼ全域が「判定不能」。
  
□ 既知イベントとの整合性          → ✗ FAIL
  2020年パンデミック時の不安定領域が
  曲率マップ上で検出されない。
  
□ SHAP値の安定性               → ✓ PASS
  2回計算の差: 6.8%（閾値10%以内）
  
□ DID平行トレンド仮定           → ✓ PASS
  類似度: 0.82（閾値0.8以上）

カイト: 7項目中4項目が不合格です。

リルル先生: 1つずつ診断しよう。

不合格1：計量テンソルの条件数 24,800

リルル先生: 条件数が高い原因は？

リン: 引き戻し計量 $g_{ij} = J^\top J$ の固有値の比が大きい。潜在空間の一部の方向でデコーダの感度が極端に高いか低い。

リルル先生: 対処法は2つ。

# 対処法1: VAEの潜在空間の正則化を強化
# β-VAEのβを大きくして、潜在空間をより等方的にする
# β = 1 → β = 4 に変更して再訓練

# 対処法2: 計量テンソルの正則化（応急処置）
def regularize_metric(g, epsilon=1e-3):
    """
    計量テンソルに微小な単位行列を加えて条件数を改善。
    g_reg = g + ε * I
    
    注意: これは応急処置。根本解決はVAEの再訓練。
    """
    d = g.shape[0]
    g_reg = g + epsilon * torch.eye(d)
    cond = torch.linalg.cond(g_reg).item()
    print(f"Regularized condition number: {cond:.0f}")
    return g_reg

不合格2：MCドロップアウトの未収束

リルル先生: 500回で収束しないのは、デコーダの不確実性がそもそも大きい——つまり、データが足りないかVAEが訓練不足。

リーム: アパレル企業のデータは、過去5年分の月次データで60時点です。30変数 × 60時点 = 1,800データ点。VAEの訓練には少ないかもしれません。

リルル先生: 2つの対処法。

対処法1: MCサンプル数を2,000まで増やして収束を確認
対処法2: データの水増し（Data Augmentation）
  ・時系列のジッタリング（微小ノイズの付加）
  ・季節パターンのコピー＋位相シフト
  → 1,800 → 7,200データ点に増やしてVAE再訓練

不合格3：判定不能94%

リルル先生: これは不合格1と2の結果。計量が歪んでいてMCドロップアウトが収束しなければ、信頼区間が広すぎて「判定不能」だらけになる。不合格1と2を解決すれば、自動的に改善するはず。

不合格4：既知イベントの不検出

リルル先生: 2020年パンデミックが曲率マップに現れないのは深刻。原因の候補は？

リン: VAEが「パンデミック」という極端なイベントを潜在空間上で適切に表現できていない可能性があります。VAEは訓練データの分布の中心付近をうまく表現するけど、極端な外れ値（テール）の表現が弱い。

リルル先生: これは根本的な問題で、応急処置では解決しない。対処法は——

対処法: VAEの訓練にExtremeイベントの重み付けを導入
  ・パンデミック期間（2020年Q1-Q2）のデータに
    損失関数の重みを5倍に設定
  ・または、Wasserstein VAE（WAE）に切り替えて
    テール部分の表現力を強化
  → 8話で扱う「最適輸送」の伏線

リルル先生: 4つの不合格項目を整理すると——

不合格項目	根本原因	対処法	解決に必要な技術
計量の条件数	潜在空間の異方性	β-VAE再訓練 + 正則化	情報幾何（Fisher計量による補強）→ 9話
MC未収束	データ不足	データ拡張 + サンプル増	基本的な対処
判定不能94%	上記2つの結果	上記を解決すれば改善	—
既知イベント不検出	VAEのテール表現不足	WAE + 重み付け	最適輸送（Wasserstein距離）→ 8話

第6話「創発が全てを変えた」

カイト: 先生、品質チェックの不合格を潰すだけなら、VAEを再訓練してデータを増やせばいい。でも……。

リルル先生: でも？

カイト: 番外編で創発現象が起きた。14体のAgentが位相同期して、カスケードを起こして、フラクタルを生んだ。この創発は、いま潰そうとしている品質チェックの不合格とは別次元の問題ですよね。

リルル先生: そうよ。品質チェックの不合格は「第1層と第2層の品質」の問題。創発は「第3層の動的運用で初めて出現した現象」。

カイト: で、番外編でリルル先生が言ったこと——「Embodied Agentの直感を幾何学で翻訳する」「相転移点をシンプレクティック幾何の保存量の破れとして記述する」「霧の濃さを情報幾何のFisher計量の退化として記述する」——これが、前シリーズで中長期課題に先送りしていた5つの幾何学的拡張ですよね。

リルル先生: その通りよ。

カイト: （テーブルに手をつく）

先生、もう先送りにしないでください。5つ全部、やりたいです。

品質チェックの不合格を潰すだけじゃ、創発現象には対処できない。カスケードの伝播パターンを理解するには最適輸送が必要。曲率の意味を深く掴むには情報幾何が必要。企業の組織階層を扱うにはポアンカレ埋め込みが必要。Agentの長期安定性にはシンプレクティック幾何が必要。国家安全保障のスケール変動にはワイル幾何が必要。

（リン、リームの顔を見る）

カイト: リンさん、リームさん、どう思いますか。

第7話「賛成。でも理由は違う」

リン: ……賛成です。でも私の理由はカイトさんとは少し違う。

カイト: どう違うんですか？

リン: 番外編の創発現象を見て思ったのは、**「いまのパイプラインの幾何学的道具だけでは、創発の構造を記述しきれない」**ということ。

スカラー曲率とLie微分は「地形の性質」と「施策の効果」を教えてくれる。でも、14体のAgentの相互作用が引き起こす分布の変動（カスケード）、保存量の破れ（位相同期の始まり）、スケールの変化（フラクタル的な自己相似性）——これらを記述する道具が、いまのパイプラインにはない。

5つの幾何学的拡張は、創発を「記述する言語」を手に入れるために必要。

リーム: （ウェブ会議画面で、少し前のめりになって）

私も賛成です。顧客7社への報告書に「創発が起きています、対処を実装中です」と書きました。でも「対処」の具体的な中身を示せていない。

5つの幾何学的拡張は、7社それぞれの問題に直接対応します。

最適輸送 ⭐⭐⭐⭐⭐
→ アパレル企業: 50店舗の売上「分布」の変動を追跡
→ 石油企業: 原油価格の分布シフトをWasserstein距離で測定
→ 創発のカスケード伝播パターンを分布の輸送として記述

情報幾何 ⭐⭐⭐⭐
→ 品質チェック不合格（計量の条件数）への根本対処
→ Fisher計量で引き戻し計量を補強
→ 創発の位相同期を情報幾何の測地線で記述

ポアンカレ埋め込み ⭐⭐⭐
→ 防衛企業: マルチドメイン（陸海空宇宙サイバー）の階層構造
→ 製薬企業: 新薬パイプラインの階層的意思決定

シンプレクティック幾何 ⭐⭐⭐⭐
→ 宇宙企業: 軌道力学の保存量
→ 全社: Agentの長期シミュレーションの安定性保証
→ 創発の位相同期を「保存量の破れ」として検知

ワイル幾何 ⭐⭐
→ 国家安全保障ケーススタディ: インフレ・経済成長のスケール変動
→ 創発のフラクタル的自己相似性をスケール不変量で記述

リーム: 5つの拡張は、創発現象への対処であると同時に、7社それぞれへの提案品質の向上でもあります。一石二鳥——いえ、一石十四鳥です。

第8話リルル先生の判断

リルル先生: （しばらく沈黙してから）

……いいよ。やろう。

ユキ: え、先生めっちゃあっさり。

リルル先生: あっさりじゃない。番外編の2週間、ずっと考えてた。

1話目で「全部足すな」と言ったのは、第2層（信頼性担保）が未完成のまま数学を足すなという意味だった。でも、6話目で第2層は完成した。

番外編で創発が起きた。14体のAgentのLie括弧の非可換性が、スカラー曲率とLie微分だけでは記述できないパターンを生んだ。倉田先生が「デジタルツインの創発は現実の低次元射影」と位置づけた。

第2層が完成し、記述すべき新しい現象（創発）が出現した今なら、幾何学的拡張に進む正当な理由がある。

ただし、1話目の原則は維持する。

カイト: 原則？

リルル先生: 拡張するたびに、第2層の3本柱（信頼区間、SHAP、因果推論）を拡張先にも適用すること。

最適輸送のWasserstein距離にもMCドロップアウトで信頼区間をつける。情報幾何のFisher計量にもSHAPで寄与度分解する。シンプレクティック幾何の保存量にも因果推論で交絡を除去する。

幾何学を足すだけでは「美しいが信頼できない」分析になる。信頼性の担保を伴ってこそ、「信じて行動できるインテリジェンス」になる。

リーム: ……材料の品質が全て。

リルル先生: そう。

第9話 5つの拡張のロードマップ

リルル先生: 実装の順序を決めよう。品質チェックの不合格対処を優先しつつ、創発への対応も並行で進める。

【第4層：幾何学的拡張ロードマップ】

8話: 最適輸送 ⭐⭐⭐⭐⭐（次回）
  ・Wasserstein距離で「分布の遷移」を追跡
  ・品質チェック不合格（既知イベント不検出）の根本対処
  ・創発のカスケード伝播を分布の輸送として記述
  ・おやつ: リームのウェルシュケーキ

9話: 情報幾何 + ポアンカレ埋め込み ⭐⭐⭐⭐ + ⭐⭐⭐
  ・Fisher計量を引き戻し計量の補助計量に
  ・品質チェック不合格（計量の条件数）の根本対処
  ・組織階層を双曲空間に埋め込み
  ・おやつ: リームのバッテンバーグケーキ

10話: シンプレクティック幾何 ⭐⭐⭐⭐
  ・経営環境の「保存量」を定義
  ・保存量の破れ → 創発の位相同期の検知
  ・シンプレクティック積分器でAgentの長期安定性を保証
  ・おやつ: リームのイートンメス

11話: ワイル幾何 + 国家安全保障ケーススタディ ⭐⭐
  ・スケール変動をワイル接続で記述
  ・創発のフラクタル的自己相似性をスケール不変量で捉える
  ・193カ国×40指標のスケーラビリティ問題
  ・おやつ: リームのトライフル

12話: 全拡張統合 + 次の10年（最終話）
  ・5つの拡張を統合した最終アーキテクチャ
  ・創発現象の完全な記述と予測
  ・リームの顧客企業の経営者の反応
  ・リルル先生が「Geometric Intelligenceの次の10年」を語る
  ・おやつ: リーム主催のフルアフタヌーンティー

リルル先生: 4層構造の全体像はこうなる。

【第1層】多様体の構成 ── Zenn Book
  VAE → 計量 → 曲率 → Lie微分 → 最適制御

【第2層】信頼性の担保 ── 前シリーズ（1〜6話）
  MCドロップアウト → SHAP → 因果推論

【第3層】動的運用 ── リームのベンチャー（番外編）
  デジタルツイン → 14体のAI Agent → 創発現象

【第4層】幾何学的拡張 ── 続編（8〜12話）★NEW
  最適輸送 → 情報幾何 → ポアンカレ →
  シンプレクティック → ワイル

（原則: 第4層の各拡張に、第2層の3本柱を常に適用する）

第10話エピローグ

カイト: （クランペットを食べながら）先生、今日の話で一番大事だったのは、手術理論の話ですか？品質チェックの話ですか？拡張のロードマップですか？

リルル先生: 全部大事だけど、一番大事なのはカイトの「眠れなかった夜」だよ。

カイト: え？

リルル先生: 番外編で「手術理論」という大きな言葉が出てきたとき、そのまま「すごい！」で終わらずに、自分で調べて、「本当に使えるのか？」と疑問を持った。一晩眠れなくなるくらい悩んだ。

1話目でChatGPTに褒められてテンションが上がったカイトと、7話目で手術理論に疑問を持って眠れなくなったカイトは、別人だ。

ユキ: ……成長してる。

カイト: （照れて）いや、ただ不安だっただけで……。

リルル先生: 不安は知性の始まりだ。「本当にこれでいいのか？」と問い続けることが、「信じて行動できるインテリジェンス」を作る唯一の方法。

それは数学でも、コードでも、経営判断でも同じ。

リーム: （画面の向こうで、少し微笑んで）カイトさん、今日はよく眠れるといいですね。

カイト: ……はい。今日は寝ます。

まとめ

論点	結論
手術理論の適用範囲	フルスケールの手術理論は使っていない。実際に使うのはモース理論＋分岐理論による臨界点のbirth-death予測
品質チェックの不合格	7項目中4項目が不合格。計量の条件数、MC未収束、判定不能94%、既知イベント不検出
不合格の根本原因	VAEのテール表現不足（→最適輸送）、潜在空間の異方性（→情報幾何）、データ不足
5つの幾何学的拡張の動機	品質チェック不合格の対処＋創発現象の記述言語を手に入れるため
拡張の原則	各拡張に第2層の3本柱（信頼区間、SHAP、因果推論）を常に適用する

次回予告： 「先生、Wasserstein距離で50店舗の売上分布の遷移を追跡してみたんですけど、2020年3月に分布が連続的に変化するんじゃなくて、突然別の分布に『ジャンプ』したんです」「それは最適輸送の通常の枠組みでは扱えない。Unbalanced Optimal Transportの領域だ」—— 最適輸送の実装編。ウェルシュケーキはリームが焼いてきた。

📚 Zenn Book『ジオメトリックインテリジェンス』について

本連載の出発点（起点）になったZenn Book『ジオメトリックインテリジェンス』は、以下をご参照ください。

カイトたちが言及している「経営環境多様体アプローチ」のより厳密な数学的定式化、およびVAEやNeural ODEを用いた全ステップのPython実装（約27万字）については、上記のZenn Bookに完全収録しています。

📖 著者のその他の専門書（層理論・Sheaf cohomologyを用いたデータ解析など）

これまでに出版した、層（Sheaf）理論を用いたITインフラ監視やビジネス制約のモデル化に関する専門書一覧です。

▶︎ 著者のZennマイページ（全著書一覧）はこちら