기계학습(machine learning)을 활용한 인공지능(AI)과 기존 수치해석 기반의 일반 순환 모델(GCM)을 결합해 장단기 예보 및 기후 시뮬레이션 정확도를 높인 새로운 기후예측 모델이 개발됐다.
미국 구글리서치 스테판 호이어 박사팀은 23일 과학 저널 네이처(Nature)에서 기계학습과 기존 기후 모델을 결합, 정확한 날씨 예측과 기후 시뮬레이션을 함께 수행할 수 있는 기계학습 모델 '뉴럴GCM'(NeuralGCM)을 개발했다고 밝혔다.
연구팀은 뉴럴GCM은 최근 개발되고 있는 AI 기후 모델이나 기존 수치해석 방식의 기후 모델과 성능이 비슷하거나 뛰어나면서도 계산 효율이 높아 컴퓨터 사용을 크게 줄일 수 있다고 말했다.
지구 대기 및 해양의 순환에 대한 수학적 모델인 일반 순환 모델(GCM)은 날씨와 기후 예측의 기초가 되는 모델로, 70여년간 수치해석 및 물리 모델 개선과 함께 발전해왔으며 더 빠른 컴퓨터 활용으로 정확도도 개선되고 있다. 최근 기계학습을 이용할 경우 계산 비용을 줄일 수 있는 이점이 있어 날씨 예측에 이를 활용하는 모델이 활발히 연구되고 있으나, 장기 예측의 경우 아직 기존 GCM 모델만큼 성능을 발휘하지 못하는 경우가 많다고 연구팀은 지적했다.
연구팀은 이 연구에서 최신 기계학습 기법과 기존 물리학 기반 수치해석 기법의 강점을 결합한 하이브리드 대기 모델인 뉴럴GCM을 설계하고, 유럽중기예보센터(ECMWF)의 1980~2020년 데이터를 학습시켰다.
이어 뉴럴GCM으로 장단기 날씨 예보와 기후 시뮬레이션을 하고, 이를 기존 GCM 기반의 기후 예측 모델(AMIP) 및 AI 기후 모델과 비교했다. 그 결과 뉴럴GCM의 1~15일 예측 정확도는 현재 가장 정확한 기상 모델 중 하나로 꼽히는 유럽중기예보센터 모델과 비슷했으며, 기계학습을 이용한 기존 AI 모델과비교해도 비슷하거나 앞서는 것으로 나타났다.
또 뉴럴GCM의 40년 기후 예측 시뮬레이션에 해수면 온도를 포함한 결과 유럽중기예보센터 모델의 시뮬레이션과 비슷한 지구 온난화 추세를 보였고, 사이클론 발생과 궤적 예측에서는 기존 기후모델보다 성능이 더 우수했다.
연구팀은 뉴럴GCM은 기존 GCM 기반 기후모델과 비교할 때 계산 효율이 높고 복잡성이 낮다며 현재 예측 정확도가 높은 모델 중 하나인 유럽중기예보센터 통합예측모델(ECMWF IFS)보다 계산 시간이 1/5~1/3 정도로 짧았다고 설명했다. 이어 뉴럴GCM은 장단기 예보와 기후 시뮬레이션에서 현 최고 기계학습 및 물리학 기반 기후모델과 비슷하거나 더 높은 정확도를 보였다며 이는 기계학습이 GCM 기반 기후모델을 개선할 수 있는 실행 가능한 접근 방식임을 보여준다고 강조했다.
◆ 출처 : Nature, Stephan Hoyer et al., 'Neural general circulation models for weather and climate', https://www.nature.com/articles/s41586-024-07744-y