AI 기상학자 티안지 자동화된 물리 메커니즘 탐구 시스템

본 논문은 인공지능(AI)이 기존의 데이터‑드리븐 예측 모델을 넘어 대기 과학에서 물리적 메커니즘을 탐구하고 검증하는 역할을 수행할 수 있음을 입증한다. 이를 위해 저자들은 ‘티안지(TianJi)’라는 AI 기상학자 시스템을 설계·구현하였다. 티안지는 크게 두 모듈, 즉 가설 생성 모듈과 가설 검증 모듈로 구성되며, 두 모듈 모두 AgentScope 프레임워크 위에 구축된 다중 에이전트 아키텍처를 기반으로 한다. 가설 생성 모듈은 학술 세미나 형태의 토론 메커니즘을 채택한다. 연구자 에이전트들은 사전 논문 검색을 통해 얻은 도메인 지식을 바탕으로 초기 가설을 제시한다. 이후 호스트 에이전트가 과학성, 합리성, 신규성, 효과성 네 가지 척도로 각 가설을 정량 평가한다. 평가 점수는 다음 라운드에서 연구자 에이전트가 가설을 개선하는 데 사용되며, 리베이트(반박) 과정을 통해 서로의 약점을 지적한다. 이러한 반복 과정을 6~8 라운드 수행한 뒤, 최고 점수를 획득한 가설이 ‘주요 과학 가설’로 선정된다. 이 과정은 인간 동료 검토와 유사하면서도 자동화된 형태로, 가설의 신뢰성을 확보하고 학술적 ‘환각’을 최소화한다. 가설 검증 모듈은 WRF(Weather Research and Forecasting) 모델을 중심으로 한 복합 시뮬레이션 엔진이다. 시스템은 작업 복잡도에 따라 ‘Simple Mode’와 ‘Complex Mode’를 자동 전환한다. Simple Mode에서는 기본적인 결과 조회·플롯 생성 등 단순 작업을 빠르게 수행한다. Complex Mode에서는 마스터 에이전트가 전체 실험 흐름을 논리적으로 분해하고, 서브 에이전트들이 물리 시뮬레이션, 고차원 텐서 연산, 시각화, 파일 입출력 등 전용 툴 버스를 호출한다. 특히, 물리 파라미터화 스킴의 자동 구성, 대규모 NetCDF 데이터의 자동 추출·분석·시각화 기능을 제공함으로써, 기존에 고도의 전문 지식과 수작업이 필요했던 WRF 실험 과정을 완전 자동화한다. 시스템의 성능을 검증하기 위해 두 가지 전형적인 대기 현상을 선택하였다. 첫 번째는 스쿼럴 라인 콜드풀 현상으로, 강수·대류·바람의 복합 상호작용을 분석한다. 티안지는 기존 연구에서 제시된 ‘바람 전단에 의한 냉각 풀 형성’ 메커니즘을 재현하고, 추가적인 수치 실험을 통해 새로운 파라미터 민감도를 제시하였다. 두 번째는 열대 저기압(태풍)의 급격한 경로 변곡 현상이다. 여기서는 대규모 환경 흐름(아열대 고기압·중위도 저기압), 내부 와류(대류성 가열 비대칭·베타 효과), 해양-대기 상호작용(해수면 온도 차이·냉각 워크) 간 비선형 상호작용을 가설로 제시하고, 티안지가 자동으로 설계한 실험 시나리오를 통해 이를 검증하였다. 시뮬레이션 결과는 가설이 제시한 메커니즘이 실제 경로 변곡을 유발한다는 것을 정량적으로 보여주었으며, 기존 문헌과 일치하거나 새로운 인사이트를 제공하였다. 전체 실험 과정은 인간 개입 없이 몇 시간 내에 완료되었으며, 티안지는 실험 설계, 파라미터 튜닝, 결과 분석, 그리고 가설의 타당성 판단까지 전 과정을 자동으로 수행하였다. 논문은 이러한 결과를 바탕으로 AI가 ‘블랙박스 예측기’에서 ‘해석 가능한 과학 협업자’로 전환할 수 있음을 주장한다. 다중 에이전트 협업, 메타‑플래닝, 자동화된 수치 실험 파이프라인을 통해 고처리량(High‑Throughput) 메커니즘 탐색이 가능해지며, 이는 대기·기후 과학 연구의 효율성을 크게 향상시킬 잠재력을 가진다. 하지만 현재 시스템은 WRF와 같은 특정 모델에 최적화돼 있어 범용성 확보가 필요하고, 에이전트 간 신뢰성 검증 및 대규모 HPC 자원 관리에 대한 추가 연구가 요구된다. 또한, LLM 기반 가설 생성 단계에서 여전히 ‘학술적 환각’ 위험이 존재하므로, 외부 검증 메커니즘과 인간 전문가의 최종 검토가 보완적으로 필요할 것으로 보인다.