기후 에뮬레이션 최적 시나리오 설계
개요
딥러닝이 물리 시스템에 적용되는 것이 점점 인기가 높아짐에 따라, 일반화 성능을 향상시키기 위한 노력은 주로 물리적 제약을 내장한 아키텍처를 설계하는 데 집중했습니다. 하지만 머신러닝 대체 기후 모델(에뮬레이터)에서는 기존 훈련 데이터를 생성하는 데 자주 사용되는 시나리오의 구조적 다양성이 부족하여 예측 성능에 한계가 있음을 보여줍니다. 여기서 우리는 훈련 데이터 자체를 최적화하여 일반화를 향상시킬 수 있는지 검토합니다. 우리는 미분 가능한 간단한 기후 모델(SCM)을 사용하여 훈련 데이터의 변동에 대한 에뮬레이터 손실 민감도를 계산하고, 이를 반복적으로 업데이트하여 에뮬레이터 성능을 극대화합니다. SCM에 대해 이 방식으로 최적화된 한 시나리오에 훈련하는 경우, 6개의 표준 ScenarioMIP 경로에서 훈련한 에뮬레이터보다 성능이 우수합니다. 우리는 더 작은 데이터셋으로 훈련했음에도 불구하고 이 예측 능력이 향상된 것을 발견했으며, 에뮬레이터는 개별 강제 실행 없이도 온실가스와 에어로졸과 같은 다양한 기후 강제 요인의 독특한 물리적 행동을 분리할 수 있음을 확인했습니다. 그 후, SCM을 사용하여 최적화된 시나리오를 중간 복잡도 기후 모델에 적용하면, ScenarioMIP 출력을 훈련 데이터로 사용한 것보다 더 정확한 에뮬레이터를 얻을 수 있음을 보여줍니다. 본 결과는 대규모 기후 모델을 실행하는 데 계산이 제한된 환경에서는, 전통적인 배출 경로의 범위를 확대하는 것보다 동적으로 풍부한 소규모 시나리오를 생성하는 것이 에뮬레이션 및 시스템 응답 특성화에 더 큰 마진 가치를 제공한다는 것을 제안합니다.
주요 공헌
- physics.ao-ph
- cs.LG
방법론
자세한 방법론은 논문 전체를 참고하십시오.
실용적 함의
본 연구는 물리.ao-ph 분야의 발전을 기여합니다.
Authors
- Christopher B. Womack
- Shahine Bouabid
- Andrei Sokolov
- Popat Salunke
- Glenn Flierl
- Sebastian D. Eastham
- Noelle E. Selin
Paper Information
- arXiv ID: 2606.19302v1
- 분야: physics.ao-ph, cs.LG
- 게시일: June 17, 2026
- PDF: PDF 다운로드