核心概念
신경망 기반 일반 순환 모델(NeuralGCM)은 기존 물리 기반 모델과 기계 학습 모델의 장점을 결합하여 기상 및 기후 예측 성능을 향상시킬 수 있다.
摘要
이 연구는 신경망 기반 일반 순환 모델(NeuralGCM)을 제안하고 그 성능을 평가한다. 일반 순환 모델(GCM)은 기상 및 기후 예측의 기반이 되는 물리 기반 시뮬레이터이다. 최근 기계 학습 모델이 단기 기상 예측에서 GCM과 비슷하거나 더 나은 성능을 보였지만, 앙상블 예측이나 장기 기후 시뮬레이션에서는 한계가 있었다.
NeuralGCM은 대기 역학에 대한 미분 가능한 솔버와 기계 학습 구성 요소를 결합하였다. 이를 통해 단기 기상 예측, 앙상블 기상 예측, 장기 기후 시뮬레이션 등에서 기존 최고 수준의 물리 기반 및 기계 학습 모델과 경쟁할 수 있는 성능을 보였다. 또한 기존 GCM에 비해 계산 비용이 크게 감소하였다. 다만 NeuralGCM은 미래 기후 변화에 대한 외삽 능력은 아직 부족한 것으로 나타났다.
이 연구 결과는 end-to-end 딥러닝이 GCM이 수행하는 작업과 양립할 수 있으며, 지구 시스템 이해와 예측에 필수적인 대규모 물리 시뮬레이션을 향상시킬 수 있음을 보여준다.
統計資料
기존 GCM 대비 NeuralGCM의 계산 비용이 크게 감소했다.
NeuralGCM은 1~15일 기상 예측에서 유럽중기예보센터(ECMWF) 앙상블 예측과 경쟁할 수 있는 성능을 보였다.
NeuralGCM은 수십 년 간의 기후 지표를 정확하게 추적할 수 있었다.
NeuralGCM의 140km 해상도 기후 예측에서 열대 저기압의 현실적인 발생 빈도와 궤적이 관찰되었다.
引述
"NeuralGCM은 기존 기계 학습 모델과 경쟁할 수 있는 단기 기상 예측 성능을 보였으며, 1~15일 기상 예측에서는 ECMWF 앙상블 예측과 견줄 만한 수준이다."
"NeuralGCM은 수십 년 간의 기후 지표를 정확하게 추적할 수 있었으며, 140km 해상도 기후 예측에서 열대 저기압의 현실적인 발생 빈도와 궤적이 관찰되었다."
"NeuralGCM은 기존 GCM에 비해 계산 비용이 크게 감소했다."