도시 미기후 2 m 온도 초해상도를 위한 확률적 슈뢰딩거 브릿지 모델

초록

본 연구는 슈뢰딩거 브릿지(Schrödinger Bridge)를 이용해 저해상도(LR) 2 m 온도 데이터를 고해상도(HR) 5 m 온도로 변환하는 확률적 초해상도 모델을 제안한다. 기존의 디퓨전 모델(DM)과 비교했을 때, 제안된 브릿지 모델(SM)은 1/5 수준의 연산 비용으로 동등한 정확도를 달성하고, 샘플 분산이 커서 불확실성 정량화가 향상된다. 이를 통해 실시간 ensemble 예보가 가능한 가능성을 제시한다.

상세 분석

이 논문은 도시 미기후 시뮬레이션에서 흔히 발생하는 저해상도와 고해상도 결과가 서로 다른 물리 모델에 의해 독립적으로 생성되는 상황을 대상으로 한다. 저해상도(LR) 데이터는 20 m 격자(80 × 80)이며, 고해상도(HR) 데이터는 5 m 격자(320 × 320)이다. 두 데이터는 동일한 초기·경계 조건을 공유하지만, 시간 전진 과정이 별도이므로 단순 평균을 통한 LR 생성보다 더 어려운 초해상도 문제를 제시한다.

모델 설계는 두 가지 확률적 생성 프레임워크를 비교한다. 첫 번째는 전통적인 디퓨전 모델(DM)으로, HR 데이터를 점진적으로 가우시안 노이즈에 섞는 정방향 SDE와 이를 역전파하는 스코어 함수(denoising score matching)를 학습한다. DM은 LR을 조건 입력으로 사용하지만, 최종 샘플은 무작위 가우시안에서 시작해 수십 단계(논문에서는 50단계) 동안 역 SDE를 통합해 생성한다.

두 번째는 슈뢰딩거 브릿지 모델(SM)이다. SM은 LR 데이터를 시작점으로 직접 HR 조건분포 p_HR(x|x_LR,ξ) 로 변환하는 단일 방향 SDE를 학습한다. 여기서 ξ는 건물 고도, 토지 이용 등 정적 보조 변수와 저층 풍속·온도 등 동적 변수들을 포함한다. SM은 “reference SDE”를 통해 목표 분포와 연결되며, 가우시안 제약이 없기 때문에 단계 수를 크게 줄일 수 있다. 논문에서는 SM이 10단계만에 충분히 수렴한다는 실험 결과를 제시한다.

신경망 구조는 U‑Net 기반으로, 다운샘플링·업샘플링 블록 4개씩, 채널 수 32→64→128→256을 사용한다. 각 블록에 멀티‑헤드 셀프‑어텐션(8 heads)과 사인형 임베딩을 통한 diffusion‑time step 인코딩을 적용해 스케일·시프트 파라미터를 제공한다. DM은 residual 학습을 적용해 x_HR−x_LR을 예측하고, 최종 결과에 LR을 더한다. SM은 SDE drift 자체를 U‑Net으로 근사한다.

학습은 AdamW(learning rate = 1e‑4, batch = 32, epochs = 1000)으로 진행했으며, SM은 drift와 U‑Net 사이의 MSE 손실, DM은 denoising score matching 손실을 사용한다. 노이즈 스케줄은 SM에서는 γ_t가 0.2→0으로 감소하고, DM에서는 λ_t가 10→0.001로 선형 감소한다.

평가 지표는 RMSE와 SSIM loss(패턴 유사도)이며, 각각 단일 샘플과 64‑member ensemble에 대해 계산했다. SM은 N_T = 10에서도 RMSE≈0.42 K, SSIM≈0.018와 같은 수준을 유지했으며, DM은 N_T ≈ 50 이하에서 급격히 성능이 저하된다. 또한, SM은 ensemble spread가 DM보다 크게 나타나며, spread‑skill ratio가 1에 가까워 불확실성 정량화가 더 신뢰할 수 있음을 보여준다. Rank histogram 역시 SM이 보다 평탄한 형태를 보여 과소‑분산 문제가 감소한다.

연산 효율 측면에서, 동일한 U‑Net 구조를 사용했음에도 불구하고 SM은 10번의 네트워크 호출만으로 결과를 얻어 DM의 50번 호출 대비 약 1/5의 GPU 시간만 소요한다. 이는 실시간 혹은 대규모 ensemble 운영에 큰 장점을 제공한다.

결과적으로, 슈뢰딩거 브릿지를 활용한 초해상도 모델은 저해상도 도시 미기후 데이터를 고해상도로 변환하면서 정확도·불확실성·연산 효율성 모두에서 기존 디퓨전 기반 방법을 능가한다는 점을 입증한다.