기계 학습으로 기존의 3500배 이상 빠르고 비용이 10만분의 1로 억제되는 기상 예측 모델 「NeuralGCM」을 Google Research가 공개

 

 

Google의 연구 부문인 Google Research가 지구의 대기를 시뮬레이션하는 기계 학습 모델인 NeuralGCM을 개발했다고 발표했습니다. 이 모델은 기존의 물리 기반 모델링과 기계 학습을 결합하여 시뮬레이션의 정확성과 효율성을 향상시켰으며, 2~15일간의 일기 예보에서 기존 모델보다 정확한 결과를 제공하여 지난 40 연간 기온을 보다 정확하게 재현할 수 있습니다.

Fast, accurate climate modeling with NeuralGCM
https://research.google/blog/fast-accurate-climate-modeling-with-neuralgcm/

Google AI predicts long-term climate trends and weather — in minutes
https://www.nature.com/articles/d41586-024-02391-9

NeuralGCM은 Google Research가 유럽 중기 예보 센터 (ECMWF)와 공동으로 개발했습니다. 혁신적인 기후 모델입니다. 이 모델의 가장 큰 특징은 기존의 물리적 기반 모델링 기법과 최신 기계 학습 기술을 결합한 것입니다.

 

전통적인 기후 모델은 지구를 큰 입방체로 나누고 각 입방체 내의 기상 현상을 물리 법칙에 따라 계산했습니다. 그러나 구름의 형성과 강수와 같은 소규모 현상은 이 입방체보다 훨씬 작은 규모로 발생하기 때문에 정확한 시뮬레이션이 어려웠다. 그 때문에, 이러한 현상은 「파라메탈리제이션」이라고 불리는 간략화된 모델로 근사되고 있었습니다만, 이 수법에는 정밀도의 한계가 있었다고 하는 것.

NeuralGCM은 대규모 현상에 대해서는 전통적으로 물리법칙에 따라 계산하지만, 소규모 현상에 대해서는 기계 학습을 이용하여 기존 기상 데이터로부터 학습합니다. 이 기법을 사용하면 기존 모델에서 캡처할 수 없었던 복잡한 상호작용을 고려할 수 있게 되었다고 Google Research는 보고했습니다.

Google Research는 더욱 큰 현상에서의 알고리즘을 처음부터 검토하여 JAX 라는 기계 학습 프레임워크로 구현했습니다. 이를 통해 시스템 전체의 거동을 온라인으로 최적화할 수 있게 되어 소규모 현상과 대규모 현상에서의 피드백을 고려할 수 있게 되었다.

NeuralGCM의 성능은 단기 기상 예보부터 장기 기후 예측에 이르기까지 광범위한 시간 규모로 기존 모델을 능가한다고 Google Research는 주장합니다. 예를 들어 2~15일간의 일기 예보라면 NeuralGCM은 ECMWF의 최첨단 모델보다 95%의 확률로 높은 정밀도를 나타냈다는 것. 또, 1980년부터 2020년까지의 40년간의 기온 예측에서는, 종래의 대기 모델의 평균 오차가 0.75℃였던 것에 대해, NeuralGCM에서는 평균 오차를 0.25℃로 억제되었다고 합니다.

또, 계산 효율의 면에서도, NeuralGCM은 큰 진보를 이루고 있다고 한다. 예를 들어 고해상도 물리 기반 모델인 X-SHiELD 와 비교하면 NeuralGCM은 3500배 이상 빠르며 계산 비용도 10만분의 1로 억제되고 있다고 합니다. 이는 고성능 컴퓨팅 분야에서 25년분의 진보에 해당하는 개선이라고 Google Research는 어필하고 있습니다.

Google 리서치는 이 모델의 소스 코드와 모델의 가중치를 비상업적 이용을 위해 GitHub에 공개하고 있으며, 다른 연구자들이 새로운 요소를 추가하여 가설을 테스트하고 모델의 기능을 개선합니다. 수 있도록 노력하고 있습니다.

GitHub - google-research/neuralgcm: Hybrid ML + physics model of the Earth's atmosphere
https://github.com/google-research/neuralgcm