기존의 날씨 예보 기술과 머신 러닝을 결합한 컴퓨터 모델은 날씨 시나리오와 장기적 기후 추세를 예측하는 데 있어 다른 인공 지능(AI) 기반 도구보다 우수한 성과를 보였습니다  .

 7월 22 일 Nature 에 설명된 이 도구는  정확한 앙상블 날씨 예보를 생성하는 최초의 머신 러닝 모델입니다. 다양한 시나리오를 제시하는 것입니다. 이 도구의 개발은 기존 도구보다 빠르고 에너지 소모가 적으며 AI에만 기반한 접근 방식보다 더 자세한 예측의 문을 엽니다.

캘리포니아주 마운틴 뷰에 있는 구글 리서치에서 딥 러닝을 연구하는 공동 연구자 스테판 호이어는 "전통적인 기후 모델은 슈퍼컴퓨터에서 실행해야 합니다. 이 모델은 몇 분 안에 실행할 수 있습니다."라고 말합니다.

현재의 예측 시스템은 일반적으로 일반 순환 모델(GCM)에 의존합니다. GCM은 물리 법칙을 사용하여 지구 해양과 대기의 프로세스를 시뮬레이션하고 날씨와 기후에 어떤 영향을 미칠지 예측하는 프로그램입니다. 하지만 GCM은 많은 컴퓨팅 파워가 필요하며, 머신 러닝의 발전으로 더 효율적인 대안이 제공되기 시작했습니다. 호이어는 "우리는 테라바이트 또는 페타바이트(기가바이트보다 백만 배 더 큼)의 과거 날씨 데이터를 보유하고 있습니다."라고 말합니다. "이러한 패턴에서 학습함으로써 더 나은 모델을 구축할 수 있습니다."

이미 중국 선전에 본사를 둔 기술 대기업 Huawei가 만든 Pangu-Weather와  런던에 본사를 둔 DeepMind의 GraphCast 와 같은 일부 머신 러닝 예측 모델이 있습니다 . 이러한 모델은 단일 날씨 예보를 생성하는 접근 방식인 결정적 예측을 위한 일반적인 GCM과 유사한 정확도 수준을 가지고 있습니다. 그러나 GCM은 앙상블 예측이나 장기 기후 예측에는 그렇게 신뢰할 수 없습니다.

런던의 앨런 튜링 연구소에서 AI와 환경 데이터를 연구하는 스콧 호스킹은 "순수 머신 러닝 접근 방식의 문제점은 이미 본 데이터에 대해서만 학습한다는 것입니다."라고 말합니다. "기후는 끊임없이 변화하고 있으며, 우리는 미지의 세계로 나아가고 있기 때문에 머신 러닝 모델은 그 미지의 미래로 외삽해야 합니다. 물리학을 모델에 도입함으로써, 우리는 모델이 물리적으로 제약을 받고 비현실적인 일을 할 수 없도록 할 수 있습니다."

하이브리드 모델

Hoyer와 그의 팀은 "기존 물리 기반 대기 솔버의 측면과 일부 AI 구성 요소를 결합한" 모델인 NeuralGCM을 개발하고 훈련했다고 Hoyer는 말합니다. 그들은 이 모델을 사용하여 단기 및 장기 날씨 예보와 기후 예측을 생성했습니다. NeuralGCM의 정확도를 평가하기 위해 연구자들은 예측을 실제 데이터와 비교했으며, GCM과 순수하게 기계 학습에 기반한 모델을 포함한 다른 모델의 출력과도 비교했습니다.

현재의 머신 러닝 모델과 마찬가지로 NeuralGCM은 GCM에 필요한 전력의 일부만 소모하면서 1~3일 전의 정확한 단기 확정적 날씨 예보를 생성할 수 있습니다. 그러나 7일 이상의 장기 예보를 생성할 때 다른 머신 러닝 모델보다 오류가 훨씬 적었습니다. 사실 NeuralGCM의 장기 예보는 날씨 예보의 황금 표준으로 널리 알려진 GCM인 유럽 중기 날씨 예보 센터(ECMWF-ENS)의 앙상블 모델에서 내린 예측과 유사했습니다.

도이: https://doi.org/10.1038/d41586-024-02391-9