기후 온도 예측을 위한 물리 기반 딥러닝 모델 AUTE

초록

A‑UTE는 대기 평균 온도 변화를 월간 해상도로 예측하기 위해 물리 기반 advection‑ODE와 신경망 기반 SDE를 결합한 확률적 에뮬레이터이다. 강제된 대기 흐름을 ODE 코어로 사용하고, 미해결 변동과 모델 간 편차를 신경망 SDE 잔차로 보정한다. 음의 로그우도(NLL) 손실로 학습해 이질적 기후 모델 20종에 걸쳐 10년 롤아웃 안정성과 정확도를 크게 향상시켰으며, 불확실성 추정까지 제공한다.

상세 분석

A‑UTE는 기후 모델링에서 가장 비용이 큰 장기 적분 문제를 해결하기 위해 두 단계의 연속‑시간 서브시스템을 설계한다. 첫 번째 단계는 월간 평균 온도 TAS 의 대규모 수송을 기술하는 강제‑advection 방정식을 ODE 형태로 풀어, 물리적으로 일관된 운송 선행(prior)을 제공한다. 이때 수평 흐름 vₓ, v_y 는 온도 변화와 외부 강제(GHG·에어로졸)로부터 역학적으로 추정되며, 중앙 차분과 Dormand‑Prince(dopri5) 적분기로 구현한다. 두 번째 단계는 위 ODE가 포착하지 못하는 미세 스케일 변동과 모델 간 편차를 신경망 SDE 잔차 R_θ 로 보정한다. drift f_θ와 diffusion g_θ 를 다층 컨볼루션·그룹 정규화 네트워크로 학습하고, 다중 브라운니안 경로(K>1)를 샘플링해 NLL 손실을 최소화함으로써 이질적(heteroscedastic) 알레아틱 불확실성을 정량화한다. 경계 조건은 경도는 주기적, 위도는 복제 패딩을 적용해 물리적 연속성을 유지한다. 실험에서는 CMIP6 기반 20개 모델의 다양한 해상도 데이터를 통합 학습시켜, 기존 Spherical Fourier Neural Operator 기반 ACE나 Spherical Diffusion 등과 비교해 10년 자동 회귀 롤아웃 시 발산 현상이 현저히 감소하고 RMSE·CRPS가 모두 개선되었다. 또한, 훈련에 사용되지 않은 모델에 대한 제로‑샷 에뮬레이션에서도 합리적인 온도 패턴을 재현, 물리적 일반화 능력을 입증했다. 전체 파이프라인은 온도 → ODE → SDE → 분포 예측이라는 흐름으로, 물리적 구조와 확률적 표현을 동시에 만족시키는 새로운 기후 에뮬레이터 설계 패러다임을 제시한다.