Ai2는 10월 14일 Hugging Face를 통해 HiRO-ACEv2를 정식으로 소개했다. 시스템은 100km 규모의 거친 전 지구 기후 에뮬레이터인 ACE가 만들어낸 출력을 별도의 고해상도 확산 모델인 HiROv2에 넘겨 3km 해상도 자료로 변환하는 2단계 설계를 갖췄다. 고해상도 폭풍 과정을 계산하는 기존의 복잡한 물리 시뮬레이션 과정을 기계학습 모델의 연속된 추론 과정으로 대체하려는 구조다.
학습의 기준이 된 대상은 전 지구 단위의 고해상도 폭풍을 직접 계산하는 물리 기반 X-SHiELD 수치 모델 데이터다. 연구진의 공개 논문은 대규모 앙상블 표본을 낮은 추론 계산 비용으로 대량 생성해 열대저기압이나 기타 드문 극한 현상의 거동과 통계적 특성을 상세히 연구하는 데 목표가 있다고 설명했다. 여기서 언급된 3km는 생성 모델이 만들어내는 출력 격자의 공간 해상도를 가리킬 뿐이며, 모든 지역의 실제 날씨를 해당 정밀도로 맞힌다는 의미의 예보 정확도 표시는 아니다.
강수와 바람, 해면기압을 함께 엮은 다변수 생성 체계
이전의 생성 연구들이 주로 강수 자료 하나에만 집중했던 것과 달리 HiROv2는 강수율과 함께 지상 10m 높이의 동서 및 남북 바람, 해면기압이라는 세 가지 물리량을 동시에 생성한다. 폭풍이나 열대저기압 같은 복합적인 기상 사건은 비만 내리는 것이 아니라 강한 바람과 중심부의 저기압이 맞물려 나타나므로, 사건의 종합적인 구조를 온전하게 파악하려면 여러 변수를 단일 시공간 틀 안에서 일관되게 생성해야 한다는 문제의식을 반영했다.
모델 카드의 강수 출력은 6시간 평균 강수율이고 10m 바람과 해면기압은 6시간 간격의 순간값이다. 강수율은 일정 시간의 평균적인 비의 강도이며 같은 말로 누적 강수량이라고 부를 수 없다. 같은 시각의 격자라 하더라도 변수별 시간 의미를 맞추어 분석해야 한다.
연구진은 이러한 다변수 생성을 안정화하기 위해 학습 시 데이터 및 잡음 추출 방식을 변경하고 손실 함수의 가중치를 새롭게 조정했다. 또한 추론 단계에서는 여러 개의 잡음 제거기를 함께 활용하는 방식을 택했다고 논문에서 기술했다. 이는 강수량의 단순한 공간 분포만 그럴듯하게 흉내 내는 수준을 넘어서서 강한 바람과 중심 기압 하강이 물리적으로 결합된 폭풍의 복합적 구조를 하나의 일관된 맥락으로 재현하기 위한 기술적 보강이다.
수치 모델 기준치와의 극한값 일치와 잔여 구조 차이
연구진은 기준 수치 모델 자료를 거칠게 만든 입력에서 강수와 근지표 바람의 분포를 99.9999번째 백분위수까지 가깝게 재현했다고 보고했다. 비교 대상은 현실 관측이 아니라 X-SHiELD의 고해상도 시뮬레이션 분포다. 매우 큰 값이 드물게 나타나는 분포의 끝부분을 얼마나 따르는지 평가한 결과다.
하지만 이 결과를 백만 번의 실제 재난을 관측 수준에서 정확히 예측해낸 성과로 곡해해서는 곤란하다. 공식 모델 카드는 모델의 출력이 관측된 실제 자연 현상 그 자체가 아니라 학습 기준이 된 X-SHiELD 수치 모델의 거동 특성을 대표할 뿐이라고 명시했다. 또한 소개 글에서도 허리케인 눈 주변의 바람과 해면기압 분포를 분석했을 때 기준 수치 모델에 비해 비대칭성이 두드러지게 나타나는 잔여 차이를 구조적 한계로 솔직하게 적시했다. 매우 드문 통계적 수치가 들어맞는 것과 개별 폭풍의 중심부 물리 구조가 완벽히 재현되는 것은 전혀 다른 평가 영역이다.
아울러 연구팀은 기준 자료를 거칠게 축소해 집어넣는 정적 시험에 그치지 않고, 100km 규모의 ACE 에뮬레이터가 스스로 시간을 넘기며 연속 생성한 입력을 HiROv2로 받아 넘기는 결합 시험도 함께 수행했다. 전 지구 1년 분량의 세밀한 자료를 완전히 합성해낸 이 비교 작업은, 두 개의 독립적인 인공지능 모델을 하나로 연결해 장기 시뮬레이션을 돌려도 극한 기상 통계의 일관성이 무너지지 않고 유지되는지 확인하기 위한 별도의 필수 검증 절차였다.
추론 연산 비용 절감과 학습 범위의 명확한 제약
Ai2는 전 지구 3km 자료를 생성하는 과정이 기존의 X-SHiELD 수치 모델을 직접 실행해 계산하는 것과 비교할 때 약 300배 적은 계산 비용으로 가능하다고 소개했다. 연구 초록 또한 전통적인 고해상도 물리 기반 수치 모델에 비해 추론 계산 비용이 300배 넘게 낮아진다고 명시했다. 이는 막대한 연산 자원 때문에 과거에는 엄두를 내기 어려웠던 방대한 규모의 가상 앙상블 표본을 비교적 가벼운 인프라 환경에서도 빠르게 뽑아낼 수 있는 길을 열어준다.
그러나 이 300배라는 숫자는 사전에 대규모 자원을 들여 신경망을 학습시킨 비용이나 연구 프로젝트의 전체 예산을 포괄하는 감축 비율이 아니며, 오직 모델이 완성된 후 결과를 산출하는 순수 추론 연산만을 비교한 지표다. 전 지구가 아니라 관심이 있는 특정 지역만 좁혀서 생성할 경우 대상 영역의 크기에 따라 계산량을 추가로 아낄 수 있지만 이는 임의로 달라지는 수치다. 현재 더 빠른 경량화 버전도 연구 중이라고 밝혔으므로 공개된 모델의 현재 처리 속도에 미래의 개선분을 앞당겨 대입할 수도 없다.
학습 환경의 한계 역시 뚜렷하게 선을 긋고 있다. 모델 카드는 ACE의 학습 범위가 2014년부터 2022년까지의 X-SHiELD 자료에 한정되어 있다고 밝히며, 해당 기간에 제한된 해수면 온도나 이산화탄소 농도 조건 밖으로 모델이 일반화되어 작동할 것으로 기대하지 않는다고 명시했다. 더불어 실제 관측 재분석 자료가 아닌 인공적인 기후 모델 출력을 학습했기 때문에 실시간 기상 상태를 다루는 일기예보 용도로는 적합하지 않다는 점도 분명히 했다.
격자 간격과 예측 오차를 바꿔 읽지 않기
100km에서 3km로 바뀌는 것은 결과를 표현하는 공간 격자의 간격이다. 오차가 100km에서 3km로 줄었다는 뜻은 아니다. 출력이 더 촘촘하더라도 기준 시뮬레이션의 편향이나 학습 밖 기후 조건의 한계가 자동으로 없어지지는 않는다.
희귀한 강수나 바람의 분포가 기준 자료에 가까운지와 특정 날짜의 폭풍을 맞혔는지는 검증 대상부터 다르다. 같은 분포를 따르는 표본도 발생 시각과 위치가 현실의 사건과 일치할 필요는 없다. 따라서 생성된 장면이 세밀해 보인다는 인상보다 어떤 조건에서 만든 모사이고 무엇과 비교했는지를 먼저 확인해야 한다.
지리적 공간 범위에서도 제약이 확인된다. HiROv2 모델은 남위 66도에서 북위 70도 사이의 영역에서만 개발 및 시험되었으며 그 밖의 극지방 영역은 학습 대상에 들지 않았다. 또한 대륙 단위의 넓은 영역을 격자 패치로 이어 붙이는 과정에서 패치 경계면이 매끄럽지 않게 끊어지거나 어색하게 섞여 드는 흔적이 나타날 수 있는 기계학습 특유의 기술적 한계도 남아 있다.
연구진은 이러한 물리적·공간적 틈을 메우기 위해 산업화 이전보다 4도 더 따뜻해진 가상의 세계를 모사한 새로운 데이터셋을 다루는 연구를 다음 단계로 제시했다. 아울러 현재 다루는 강수, 바람, 기압 외에 지표 기온이나 눈, 얼음과 같은 기후 시스템의 핵심 변수들을 출력에 추가하는 작업도 장기 과제로 함께 남겨둔 상태다.
ARCH.B 의견
해상도를 높이는 작업은 같은 모사 조건에서 지역의 세부 변동을 더 많이 탐색할 수 있게 한다. 극한값이 드물수록 많은 표본을 만드는 비용이 중요하므로 낮은 추론 비용은 연구의 선택지를 넓힌다. 다만 이 표본은 기준 수치 모델의 특성을 배우며 현실의 독립 관측으로 바뀌지는 않는다.
모델을 연결한 뒤에도 변수의 시간 기준과 학습한 기후 조건, 지리적 범위는 남는다. 강수의 평균과 바람의 순간값을 같은 시간량처럼 비교하거나 3km를 위치 오차로 읽으면 다른 질문에 답하게 된다. 이 도구의 기여는 그 경계를 지킨 고해상도 모사 연구에서 평가할 수 있다.
