この論文は、乱雑（カオス的）な系を粗く表現したモデル（粗視化モデル）が長期の振る舞いと予測幅を正しく表すためには、確率的なモデル化と確率分布を直接評価する訓練法が必要だと主張します。研究者らは、時間ごとの誤差だけを小さくする従来の学習法が、系の長期的な統計や予測のばらつきを失わせることを示しました。

理論的には、著者らは「点ごとの決定論的損失」（たとえば平均二乗誤差：MSE）を軌道（時間にわたる状態列）に対して最小化すると、予測の分散が抑えられるという数学的な退化を証明しました。点ごとの損失は将来の状態を1点の最良推定値に押し込める傾向があり、その結果、長い時間のシミュレーションで物理的に期待される変動が消えてしまいます。ここで言う点ごとの学習は、次の一時刻だけを合わせる「マルコフ過程である」と暗黙に仮定するような手法に当たります。

対照的に、著者らは「厳密な適合スコア（strictly proper scoring rules）」と呼ばれる評価法を用いることを提案します。これは予測された確率分布全体と観測を比べる規則で、予測の広がり（ばらつき）を罰しないため、最適化の結果が系の持つ不変分布（長期の統計）と一致しやすくなります。具体的には「エネルギースコア（energy score）」という確率分布を扱うスコアを軌道にわたって使った学習で、予測分布をとらえる確率的な閉じ込み（クロージャー）モデルを較正（キャリブレーション）しました。

理論の検証には準正解析的な乱流モデルである準地衡（quasi-geostrophic）乱流を使いました。結果として、従来の一時刻学習の閉じ込みは安定した粗視化ダイナミクスを捉えられず、軌道単位で決定論的に最適化したモデルは著者の解析どおり分散を失う傾向を示しました。一方、確率的な閉じ込みを軌道単位のエネルギースコアで較正したモデルは、アンサンブル予測の技能（skill）と長期統計の現実性の両方で良好な結果を示しました。

この研究が重要な理由は、気象や海洋、工学など現実のカオス的な系を簡略化して扱うとき、ただ平均的に当たるだけのモデルでは長期予測や不確実性の扱いが誤りやすいことを示した点です。確率的表現と分布に基づく評価を組み合わせれば、モデルが持つべき自然な変動を維持しながらより信頼できる長期統計とアンサンブル予測が得られます。

留意点としては、論文の理論的主張は一般的な退化の仕組みを示すものである一方、実証は論文で扱った準地衡乱流という代表的なカオス系での検証に基づいています。したがって他の系や実際の大規模応用にどこまでそのまま当てはまるか、計算コストやスコアの選び方といった実務面の課題は今後の検討が必要です。著者は点ごとの決定論的損失がもたらす問題点と、それを避けるための確率的スコアの有効性を明確に示していますが、適用範囲や実装上の詳細はさらなる研究で精査されるべきです。