インクは水に、砂嵐から写真へ ── 拡散モデル（DDPM, NCSN）の開花
前回の第三話では、高次元空間において確率分布の「全体の体積（分配関数）」を測定するという積分の絶望的な壁に対し、空間の各地点における対数確率密度の空間勾配である 「スコア（Score）」 を導入し、さらに Pascal Vincent が提示した Denoising Score Matching (DSM) の代数美を追いかけました。
「汚された点から、元のあるべき場所へ向かう『復元ベクトル』を L2 回帰で学習させることで、直接計算することが難しい周辺分布のスコアを、理論的に学習できる道が開かれた」── この発見によって、AIは空間の傾きを捉える強力な理論的基礎を手に入れました。
しかし、この DSM の前にも、新たな工学的・数理的な壁が立ちはだかりました。
データが一切存在しない「広大な空虚な領域（低密度領域）」では、引き戻すための信号すら存在せず、AIが方向を見失ってしまうという問題です。
今回は、この課題に挑み、現代の拡散モデルへとつながる2つの大きな金字塔、DDPM（Denoising Diffusion Probabilistic Models） と NCSN（Noise Conditional Score Networks） の誕生のドラマを解き明かしていきます。
単一ノイズのジレンマ ── 大ノイズと小ノイズの不都合な真実
第三話のラストで提示された問いを、もう一度直感的に振り返ってみましょう。
データに付加するノイズの標準偏差を $ \sigma $ としたとき、この $ \sigma $ をどのような大きさに設定するのが正解なのでしょうか？
-
ノイズ $ \sigma $ が大きすぎる場合:
強烈なノイズによって、データ点から遠く離れた領域にまで風（スコア情報）が届くようになります。低密度領域にも比較的安定したスコア情報が広がり、モード間の移動もしやすくなります。しかしその代償として、画像が本来持っている細やかな質感やエッジといった高周波成分（細部）が強いノイズによって完全に破壊され、ぼやけた大まかな輪郭しか学習できなくなってしまいます。 -
ノイズ $ \sigma $ が小さすぎる場合:
画像の細やかなディテールは鮮明に保持され、データが存在する近傍では非常に正確なスコアが学習できます。しかし、ノイズが小さすぎるため、風の影響範囲がデータのすぐ近くに限定されてしまいます。データが存在しない広大な砂漠領域（低密度領域）に粒子が落ちると、AIはまったく信号を得られず、サンプリングが途中で遭難してしまうのです。
「大きくノイズを加えれば大枠は捉えられるが、細部が潰れる。小さくノイズを加えれば細部は保たれるが、遠くで遭難する」──。
一つの固定されたノイズスケール $ \sigma $ を選ぶ限り、AIは 「大枠の探査」 と 「細部の精密な描画」 のトレードオフ（二律背反）から永遠に逃れられないという不都合な真実が浮かび上がりました。
物理学（非平衡熱力学）の知恵の大復活 ── インクの不均衡と逆再生
このジレンマを打ち破るヒントは、再び物理学の知恵にありました。
2015年、Jascha Sohl-Dickstein らは論文 “Deep Unsupervised Learning using Nonequilibrium Thermodynamics” において、統計物理学における 「非平衡熱力学（Nonequilibrium Thermodynamics）」 の概念を機械学習へと持ち込みました。
コップの水の中に、一滴の黒いインクを落としたときの様子を想像してみてください。
初期状態（データ分布 $ p_{\text{data}} $）では、インクの分子は一箇所に集中し、明確な構造（文字や絵）を持っています。しかし時間が経つにつれて、水分子のランダムな衝突（熱運動）によってインクは周囲へと拡散し、最終的には水全体に均一に広がりきった「完全な濁り（標準ガウス分布 $ \mathcal{N}(\mathbf{0}, \mathbf{I}) $）」という平衡状態へと到達します。
熱力学の第二法則（エントロピー増大の法則）が示す通り、マクロな視点で見れば、インクが勝手に集まって元の文字に戻ることはあり得ません。これが「不可逆プロセス（拡散）」です。
しかし、ミクロな視点に立ち返ってみましょう。
拡散の「1ステップ」を十分に小さく刻めば、逆方向の遷移をガウス分布で近似することが可能になります。
つまり、水の中でインクがほんのわずかに散らばる「一瞬のミクロなコマ送り」を撮影しておけば、その逆再生（デノイジング）もガウス分布に従う移動として記述できるという事実です。
何百～何千ステップという段階的なコマ送りを準備し、完全な砂嵐（均一なノイズ水）からスタートして、1ステップずつ丁寧にノイズを取り除く逆再生（生成過程）を実行する──。
こうして、Sohl-Dickstein らが示した拡散・逆拡散という物理的枠組みを土台に、熱力学のプロセスを機械学習の力で逆回しにするという、全く新しい生成パラダイムの基礎が打ち立てられたのです。
第1の開花：DDPM ── 潜在変数モデルと「ノイズ予測」の奇跡
Sohl-Dickstein らの示した拡散・逆拡散の枠組みを土台に、Jonathan Ho らは変分推論とノイズ予測の定式化を組み合わせ、現代的な U-Net 型アーキテクチャと結びつけることで、画像生成モデルとして一気に性能を引き上げた2020年の金字塔論文 “Denoising Diffusion Probabilistic Models (DDPM)” を発表しました。
DDPM は、画像を生成する過程を 「深層潜在変数モデル（Latent Variable Model）」 として定式化します。
1. 順方向過程（ノイズ付加）：固定されたマルコフ鎖
原画像 $ \mathbf{x}_0 \sim p_{\text{data}}(\mathbf{x}) $ に対し、微小なガウスノイズを段階的に加えていく順方向過程 $ q(\mathbf{x}_t \mid \mathbf{x}_{t-1}) $ を定義します。
q(\mathbf{x}_t \mid \mathbf{x}_{t-1}) = \mathcal{N} \left( \mathbf{x}_t \,;\, \sqrt{1 - \beta_t} \mathbf{x}_{t-1}, \beta_t \mathbf{I} \right) \tag{1}
ここで $ \beta_t \in (0, 1) $ は各ステップで加えるノイズの大きさを制御するハイパーパラメータです。
一見すると、$ t = T $ （代表的な設定では $ T = 1000 $ など）まで 1000 回も逐次的にノイズを加えなければならないように見えます。しかし、正規化分布の 「再生性（独立な正規分布の確率変数を足し合わせても、再び正規分布になる性質）」 を利用して数式を展開すると、驚くべき簡略化が得られます。
$ \alpha_t \equiv 1 - \beta_t $ 、$ \bar{\alpha}_t \equiv \prod_{s=1}^t \alpha_s $ と定義すると、途中のステップをすべて飛ばして、初期画像 $ \mathbf{x}_0 $ から任意のタイムステップ $ t $ におけるノイズ画像 $ \mathbf{x}_t $ を一発で直接サンプリングできるのです。
q(\mathbf{x}_t \mid \mathbf{x}_0) = \mathcal{N} \left( \mathbf{x}_t \,;\, \sqrt{\bar{\alpha}_t} \mathbf{x}_0, (1 - \bar{\alpha}_t) \mathbf{I} \right) \tag{2}
再パラメータ化トリック（Reparameterization Trick）を用いれば、標準正規ノイズ $ \boldsymbol{\epsilon} \sim \mathcal{N}(\mathbf{0}, \mathbf{I}) $ を使って次のように一線で書き表せます。
\mathbf{x}_t = \sqrt{\bar{\alpha}_t} \mathbf{x}_0 + \sqrt{1 - \bar{\alpha}_t} \boldsymbol{\epsilon} \tag{3}
この式(3)は、DDPM の学習において極めて重要な意味を持ちます。訓練時、AIに 1000 ステップのシミュレーションを毎回行わせる必要はなく、ランダムにタイムステップ $ t $ を選び、式(3)で一瞬にしてノイズ画像 $ \mathbf{x}_t $ を作成してモデルに入力できるからです。
2. 逆方向過程（デノイジング）：学習されるマルコフ鎖
完全な砂嵐 $ \mathbf{x}_T \sim \mathcal{N}(\mathbf{0}, \mathbf{I}) $ から出発し、ノイズを 1 ステップずつ取り除いて原画像 $ \mathbf{x}_0 $ を復元する逆過程 $ p_\boldsymbol{\theta}(\mathbf{x}_{t-1} \mid \mathbf{x}_t) $ を、ニューラルネットワーク $ \boldsymbol{\theta} $ でモデル化します。
p_\boldsymbol{\theta}(\mathbf{x}_{t-1} \mid \mathbf{x}_t) = \mathcal{N} \left( \mathbf{x}_{t-1} \,;\, \boldsymbol{\mu}_\boldsymbol{\theta}(\mathbf{x}_t, t), \boldsymbol{\Sigma}_\boldsymbol{\theta}(\mathbf{x}_t, t) \right) \tag{4}
3. 目的関数の奇跡：複雑な理論からシンプルな L2 回帰へ
変分オートエンコーダ（VAE）と同様に、対数尤度の変分下限（ELBO: Evidence Lower Bound）を導出すると、一見すると各ステップの平均や分散が入り交じる複雑な KL ダイバージエンスの和が現れます。
しかし、Jonathan Ho らは、ネットワークの出力目標を「平均座標 $ \boldsymbol{\mu} $」ではなく 「付加されたノイズ $ \boldsymbol{\epsilon} $ そのものの予測」（$ \boldsymbol{\epsilon}_\boldsymbol{\theta}(\mathbf{x}_t, t) $）へと再パラメータ化し、損失関数の複雑な係数を思い切って削ぎ落とした 簡易目的関数（Simplified Loss） を提案しました。
L_{\text{simple}}(\boldsymbol{\theta}) = \mathbb{E}_{t \sim \text{Uniform}(1, T), \mathbf{x}_0 \sim p_{\text{data}}, \boldsymbol{\epsilon} \sim \mathcal{N}(\mathbf{0}, \mathbf{I})} \left\lbrack \left\Vert \boldsymbol{\epsilon} - \boldsymbol{\epsilon}_\boldsymbol{\theta} \left( \sqrt{\bar{\alpha}_t}\mathbf{x}_0 + \sqrt{1 - \bar{\alpha}_t}\boldsymbol{\epsilon}, \, t \right) \right\Vert^2 \right\rbrack \tag{5}
この式(5)をご覧ください。
なんと、深層潜在変数モデルの重厚な数理の行き着く先は、 「ノイズ画像 $ \mathbf{x}_t $ と時刻 $ t $ を受け取った U-Net に、そこに含まれている標準ガウスノイズ $ \boldsymbol{\epsilon} $ を予測させ、その L2 2乗誤差を最小化する」 という、拍子抜けするほどシンプルな「ノイズ予測タスク」へと収束したのです。
生成（サンプリング）時には、推定されたノイズ $ \boldsymbol{\epsilon}_\boldsymbol{\theta}(\mathbf{x}_t, t) $ を用いて、次の漸化式に従って 1 ステップずつ粒子を押し戻していきます。
\mathbf{x}_{t-1} = \frac{1}{\sqrt{\alpha_t}} \left( \mathbf{x}_t - \frac{\beta_t}{\sqrt{1 - \bar{\alpha}_t}} \boldsymbol{\epsilon}_\boldsymbol{\theta}(\mathbf{x}_t, t) \right) + \sigma_t \mathbf{z} \tag{6}
（ただし $ \mathbf{z} \sim \mathcal{N}(\mathbf{0}, \mathbf{I}) $ （$ t = 1 $ のときは $ \mathbf{z} = \mathbf{0} $）。ここで $ \sigma_t $ は逆過程で加えるガウスゆらぎの大きさを表し、あらかじめ定めたスケール値を用います。）
こうして、DDPM は潜在変数モデルの文脈から、砂嵐を高品質な写真へと変える劇的なブレイクスルーを達成しました。
第2の開花：NCSN ── スコアベースモデルと「アニールド・ランジュバン動力学」
DDPM が潜在変数モデルの文脈から咲き誇っていた同じ頃、もう一つの巨大な潮流が、スコア（対数勾配）の文脈から開花しようとしていました。
それが、Yang Song と Stefano Ermon による2019年の論文 “Generative Modeling by Estimating Gradients of the Data Distribution”、すなわち NCSN（Noise Conditional Score Networks） です。
Song らは、単一ノイズのジレンマ（大ノイズと小ノイズのトレードオフ）に対し、 「幾何級数的に小さくなる多段階のノイズ序列」 をあらかじめ用意するというエレガントな解決策を提示しました。
代表的な設定では $ L = 100 $ 段階のノイズスケールを用意します。
\sigma_1 > \sigma_2 > \dots > \sigma_L \tag{7}
最大ノイズ $ \sigma_1 $ はデータ空間全体をカバーするほど大きく設定し、最小ノイズ $ \sigma_L $ は画像の詳細を損なわないほど微小に設定します。
1. 条件付きスコアネットワークによる統一学習
Song らは、100 個のモデルを個別に用意するのではなく、 「現在のノイズレベル $ \sigma_i $ を入力として受け取り、そのノイズレベルにおけるスコアを出力する単一のスコアネットワーク $ \mathbf{s}_\boldsymbol{\theta}(\mathbf{x}, \sigma_i) $」 を設計しました。
そして、すべてのノイズスケールにおける Denoising Score Matching（DSM）損失を重み付きで足し合わせた目的関数を定式化しました。
\mathcal{L}_{\text{NCSN}}(\boldsymbol{\theta}) = \sum_{i=1}^L \frac{\sigma_i^2}{2} \mathbb{E}_{p_{\text{data}}(\mathbf{x}), \boldsymbol{\epsilon} \sim \mathcal{N}(\mathbf{0}, \mathbf{I})} \left\lbrack \left\Vert \mathbf{s}_\boldsymbol{\theta}(\mathbf{x} + \sigma_i \boldsymbol{\epsilon}, \sigma_i) + \frac{\boldsymbol{\epsilon}}{\sigma_i} \right\Vert^2 \right\rbrack \tag{8}
ここで重み係数として掛かっている $ \sigma_i^2 $ の存在に注目してください。
条件付きスコアの大きさ（ノルム）はノイズの標準偏差に反比例して $ | \nabla_{\tilde{\mathbf{x}}} \log q_{\sigma_i}(\tilde{\mathbf{x}} \mid \mathbf{x}) | \propto \frac{1}{\sigma_i} $ となるため、その2乗誤差には $ \frac{1}{\sigma_i^2} $ のスケールがかかります。したがって、$ \sigma_i^2 $ を掛け算することで、各ノイズスケールの損失の大きさが極端に偏らないようバランスを取る役割を果たしています。
2. アニールド・ランジュバン動力学（Annealed Langevin Dynamics）によるサンプリング
学習が完了した後、サンプリングはどのように行われるのでしょうか？
ここで使われるのが、金属を加熱してから徐々に冷やし込んで（焼きなまして）結実させるメタルの鍛造プロセスに似た 「アニールド・ランジュバン動力学（Annealed Langevin Dynamics）」 です。
ランジュバン・モンテカルロ法（Langevin MCMC）とは、スコアに従って粒子を山の高い方へ進めつつ、微小なガウスノイズ $ \mathbf{z}_k $ を加えて確率的に探索する手法です。
\mathbf{x}_{k} = \mathbf{x}_{k-1} + \frac{\alpha}{2} \nabla_\mathbf{x} \log p(\mathbf{x}_{k-1}) + \sqrt{\alpha} \mathbf{z}_k \quad (\mathbf{z}_k \sim \mathcal{N}(\mathbf{0}, \mathbf{I})) \tag{9}
Song らは、このランジュバン更新をノイズスケール $ \sigma_1 $ から $ \sigma_L $ へと段階的に弱めながら（焼きなまし＝アニールしながら）実行しました。
-
最大ノイズ $ \sigma_1 $ のフェーズ:
低密度領域にも比較的安定したスコア情報が広がり、モード間の移動もしやすくなります。粒子は空間のどこからスタートしても、迷うことなくデータが存在する大まかな領域（大枠・構図）へとスムーズに引き寄せられます。 -
中間ノイズ $ \sigma_i $ のフェーズ:
ノイズレベルを一段ずつ切り下げると、空間の解像度が上がり、より詳細な物体の形状や輪郭が見え始めます。 -
最小ノイズ $ \sigma_L $ のフェーズ:
最後はごく微小な風に従って、画像の細かな質感やエッジといったディテールが鮮明に彫り出され、サンプリングが完了します。
多段階のノイズレベルを順に辿ることで、NCSN もまた、高次元空間の砂漠で迷うことなく高品質な画像を生成することに成功したのです。
モード崩壊への強さ ── 分布全体を段階的に復元する
なぜ、DDPM や NCSN といった多段階拡散モデルは、従来の GAN（敵対的生成ネットワーク）や VAE（変分オートエンコーダ）を遥かに凌駕する高品質な生成を達成できたのでしょうか？
その直感的な理解のカギは、 「複雑な分布の段階的復元」 と 「粗い構造から細かな構造へというスケール表現」 にあります。
1. モード崩壊（Mode Collapse）への強さ
従来の生成モデル（特にGAN）における最大の宿敵は、モデルが特定のいくつかのパターン（例えば「白い猫」の画像だけ）しか生成しなくなり、多様な画像を生成できなくなる 「モード崩壊」 でした。データ分布 $ p_{\text{data}}(\mathbf{x}) $ が複雑で無数の尖った山（マルチモード）を持っているため、モデルが特定の山だけに囚われてしまうのです。
拡散モデルでは、最初から複雑な多峰性分布を直接生成しようとするのではなく、まずノイズによって分布を滑らかにし、標準ガウス分布のような単純なノイズ分布へと変化させます。そして、単純な分布から逆向きに段階的な復元を行うことで、途中の谷に足を取られることなく、多様なデータパターンを滑らかに生成（モード崩壊を起こしにくく）できるようになりました。
2. 粗視化のスケール（大枠から細部へ）
ノイズの強さと画像の解像度の関係に着目すると、拡散モデルを理解するうえで非常に有効な見方が得られます。
- ノイズが大きい段階: 強いノイズによって細かなテクスチャは打ち消されています。AIは「構図、背景と被写体の位置関係、大まかな色彩」といった 粗い構造（大枠） を中心に推論を進めます。
- ノイズが小さくなる段階: ノイズレベルが下がるにつれて、AIは「毛並み、衣服のシワ、瞳の光の反射」といった 細かな構造（ディテール） を段階的に加筆・精緻化していきます。
砂嵐から写真が立ち現れるとき、AIは単に無秩序なドットを打っているのではなく、 「粗い構造から細かな構造へ」 と段階的に幾何学構造を構築しているのです。
ふたつの潮流の合流 ── 数学的対応と統一への道
ここで、本連載における最大の数学的クライマックスが訪れます。
一方は、Sohl-Dickstein の熱力学から生まれ、変分下限（ELBO）を最大化して「ノイズ $ \boldsymbol{\epsilon} $」を予測する潜在変数モデル DDPM。
他方は、Hyvarinen のスコアマッチングから生まれ、アニールド・ランジュバン MCMC で「スコア $ \mathbf{s} $」を予測するスコアベースモデル NCSN。
まったく異なる背景と数理から出発したこの2つの金字塔は、実は背後でまったく同じ数学的構造を共有していました。
DDPM の順方向過程の式(3) $ \mathbf{x}_t = \sqrt{\bar{\alpha}_t} \mathbf{x}_0 + \sqrt{1 - \bar{\alpha}_t} \boldsymbol{\epsilon} $ から、ノイズ項 $ \boldsymbol{\epsilon} $ について解いてみましょう。
\boldsymbol{\epsilon} = \frac{\mathbf{x}_t - \sqrt{\bar{\alpha}_t}\mathbf{x}_0}{\sqrt{1 - \bar{\alpha}_t}} \tag{10}
一方、時刻 $ t $ における条件付き確率密度 $ q(\mathbf{x}_t \mid \mathbf{x}_0) = \mathcal{N}\left(\mathbf{x}_t ,;, \sqrt{\bar{\alpha}_t}\mathbf{x}_0, (1 - \bar{\alpha}_t)\mathbf{I}\right) $ の対数勾配（条件付きスコア）を計算すると、第三話で学んだガウス分布のスコア公式より、次のようになります。
\nabla_{\mathbf{x}_t} \log q(\mathbf{x}_t \mid \mathbf{x}_0) = -\frac{\mathbf{x}_t - \sqrt{\bar{\alpha}_t}\mathbf{x}_0}{1 - \bar{\alpha}_t} \tag{11}
式(10)と式(11)を見比べてみてください。
なんと、両者の間には以下の厳密な対応関係が存在するのです！
\nabla_{\mathbf{x}_t} \log q(\mathbf{x}_t \mid \mathbf{x}_0) = -\frac{\boldsymbol{\epsilon}}{\sqrt{1 - \bar{\alpha}_t}} \tag{12}
したがって、DDPM のノイズ予測モデル $ \boldsymbol{\epsilon}_\boldsymbol{\theta}(\mathbf{x}_t, t) $ と、NCSN のスコアモデル $ \mathbf{s}_\boldsymbol{\theta}(\mathbf{x}_t, t) $ の間にも、次の関係が成立します。
\mathbf{s}_\boldsymbol{\theta}(\mathbf{x}_t, t) = -\frac{\boldsymbol{\epsilon}_\boldsymbol{\theta}(\mathbf{x}_t, t)}{\sqrt{1 - \bar{\alpha}_t}} \tag{13}
なんという代数美でしょうか。
両者の予測対象は、適切なスケーリングによって数学的に厳密に対応づけることができます。
異なる道のりから生まれた二つのアプローチが、スコアという共通の数学的構造によって美しく接続されたのです。
第五話へのバトンパス ── 離散から「連続時間（SDE）」の極致へ
多段階ノイズという魔法を手に入れ、ついに実用的な高解像度画像の生成に成功した人類。
しかし、DDPM も NCSN も、代表的な設定ではタイムステップを離散的な「コマ送り」として扱っていました。
ここで、数理物理学の探求心はさらなる高みへと向かいます。
「もし、この離散的なコマ送りを、極限まで細かく刻み、タイムステップを連続時間へと極限をとったらどうなるのだろうか？」
離散的なノイズの階段を滑らかな坂道へと極限をとったとき、そこに現れたのは、確率的なブラウン運動を記述する数学の極致、SDE（Stochastic Differential Equations: 確率微分方程式） でした。
そして、2020年、Song らはこの連続時間 SDE の視点に立ったとき、さらに衝撃的な数学的真実を提示することになります。
「ゆらゆらと不規則に揺れ動く確率的な暴風（SDE）の中に、それと全く同じ確率密度の時間発展を共有する、 スーッと滑らかに流れる決定論的な一貫した風（確率フローODE） が隠されている」という事実です。
次回、第五話では、ゆらぎの霧を晴らし、拡散モデルを美しき決定論の流れへと一気に引き戻す 「確率フローODEと SDE の等価性のドラマ」 に迫ります。
数理が織りなす連続時間の美しさを、どうぞお楽しみに。
（第五話へ続く）
第四話 参考文献リスト
- 岡野原大輔 『生成AIのしくみ』 （技術評論社、2024年）
- 岡野原大輔 『拡散モデル』 （岩波書店、2023年）
- J. Sohl-Dickstein, E. A. Weiss, N. Maheswaranathan, S. Ganguli, "Deep Unsupervised Learning using Nonequilibrium Thermodynamics," ICML, 2015.
- J. Ho, A. Jain, P. Abbeel, "Denoising Diffusion Probabilistic Models," NeurIPS, 2020.
- Y. Song, S. Ermon, "Generative Modeling by Estimating Gradients of the Data Distribution," NeurIPS, 2019.
- Y. Song, S. Ermon, "Improved Techniques for Training Score-Based Generative Models," NeurIPS, 2020.
- Y. Song, J. Sohl-Dickstein, D. P. Kingma, A. Kumar, S. Ermon, B. Poole, "Score-Based Generative Modeling through Stochastic Differential Equations," ICLR, 2021.
第四話 専門用語の簡単な解説
- 非平衡熱力学: 統計物理学の一分野であり、システムが熱平衡状態にない動的な状態変化（インクの拡散など）やエントロピーの増大プロセスを扱う学問。
- ELBO (変分下限): 観測データの真の対数尤度を直接計算することが困難な場合に、その下限値として定義され、最適化の目標とされる評価関数。
- 再生性: 独立な正規分布の確率変数を足し合わせても、再び正規分布になる性質（畳み込みに対する閉じ性）。これにより、多段階のノイズ付加を 1 ステップの計算に短縮できる。
- アニールド・ランジュバン動力学: 巨大なノイズから極小なノイズへと段階的にノイズスケールを下げる（焼きなます）ことで、空間全体の探査と細部の精密サンプリングを両立させる MCMC 手法。
- モード崩壊 (Mode Collapse): 生成モデルが訓練データの一部のパターン（モード）のみを集中して生成し、多様なバリエーションを出力できなくなる現象。
- 粗視化: ミクロな細部情報をあえて均し、システムの持つ大まかなスケールの構造やダイナミクスに注目する記述方法。
【本記事におけるAI（生成AI）の活用について】
本連載（および本記事）は、著者が約4ヶ月間にわたり積み重ねてきた専門論文の精読・数理的考察と、AIとの徹底的なディスカッションを経て構築したプロットに基づいています。
記事内の本文記述および見出しの言語化・構造化にあたっては、論理の透明性と読みやすさを高めるパートナーとしてAI（LLM）を活用・編集しています。数理的な構想や文脈の意図はすべて筆者の思索に基づくものです。