본 논문은 예측 모델을 보정하여 손실 제어 예측을 수행하기 위한 학습 프레임워크를 제안하며, 이는 우리가 앞서 제안한 컨포멀 손실 제어 예측 프레임워크를 더 일반적인 설정으로 확장한 것이다. 기존 방법과 달리 제안한 접근법으로 구축한 예측기는 집합값 예측기로 제한되지 않으며, 손실 함수는 단조성 가정 없이 임의의 가측 함수일 수 있다. 이 접근법은 예측기가 중첩 성질을 갖는 집합값 예측기이고 손실이 단조일 때 컨포멀 손실 제어 예측으로 귀착되므로, 그 자연스러운 확장이다. 제안한 프레임워크의 손실 제어 보장은 점근적 설정에서 확립되며, 선택적 회귀와 고영향 기상 예보에서 경험적으로 검증되어 일반적인 손실 제어 예측이 필요한 분야에서의 효과를 입증한다.
최첨단 중기 AI 기상 모델은 기존의 수치 기상 예측(NWP)을 능가할 수 있으나 막대한 학습 예산을 필요로 한다. 이는 자원이 부족한 집단의 사용을 제한하고 빠른 모델 반복을 심각하게 저해한다. 여기서 우리는 AI를 통한 고성능 기상 예측을 대중화하도록 설계된 고효율 시공간 예측 모델인 Otter Weather를 개발한다. 표준 WeatherBench 프로토콜을 사용하여 1.5° 해상도의 ERA5 재분석 데이터로 평가한 결과, Otter 계열은 성능-연산 파레토 경계를 크게 진전시킨다. 결정론적 버전은 24시간 예보 시차에서 최고의 NWP 기준선을 9.6% 능가하면서 학습에 3.5 A100-일 미만이 필요하다. 이는 경량 AI 모델 대비 2배의 효율 향상을, 자원 집약적인 최첨단 아키텍처 대비 100배의 연산 감소를 제공한다. 우리는 연속 순위 확률 점수(CRPS)를 통한 학습으로 이러한 효율 향상을 확률 예측으로 확장한다. 더 큰 아키텍처로 확장한 Otter-XL은 IFS ENS 기준선 대비 9.7%의 CRPS 개선을 달성한다. 이는 유사한 연산 예산에서 비교 가능한 경량 모델 대비 예측 성능이 거의 두 배 증가함을 의미한다. Otter-XL은 또한 GenCast와 같은 최첨단 아키텍처를 2% 이상 능가하면서 연산은 한 자릿수 적게 사용한다. 마지막으로 Otter를 복잡한 음향 산란 PDE 과제에 그대로 적용하면 최첨단 파운데이션 모델링 접근법을 능가하며, 이는 여기서 이룬 진전이 다양한 과학 분야에 적용될 수 있음을 시사한다.
기상 및 기후 데이터로 사전학습(pre-training)된 AI 파운데이션 모델이 기상 예측을 넘어 다양한 지구과학 과제에 점차 널리 미세조정(fine-tuning)되고 있습니다. 이러한 모델의 개발과 도입 속도는 과학계의 평가 능력을 앞지르고 있습니다. 현재 이 모델들은 거의 전적으로 벤치마크 스킬 지표로만 평가받고 있는데, 이는 예측이 기준 결과물을 얼마나 가깝게 재현하는지를 측정할 뿐 모델이 예측 대상 시스템을 지배하는 물리적 과정을 제대로 반영하는지는 측정하지 못합니다. 따라서 예측 스킬과 물리적 신뢰성은 서로 구별되는 특성입니다. 이러한 구분은 모델이 학습하지 않은 기후 변화의 비정상성(nonstationary) 조건 하에서 가장 중대한 영향을 미칩니다. 본 연구에서는 작업 특화 에뮬레이터부터 파운데이션 모델에 이르기까지 지구과학 분야 AI 모델의 물리적 평가를 위한 5가지 우선순위로 학습 데이터, 미세조정, 행동 테스팅, 기저 메커니즘 해석 가능성(mechanistic interpretability), 그리고 출력 검증을 제시합니다. 또한 향후 10년을 위한 3가지 활동으로 1) 공개된 AI 지원 평가 데이터셋 구축, 2) 물리 기반 평가를 위한 공통 보고 기준 수립, 3) 이러한 모델의 안전성(safety)에 관한 전담 연구 프로그램 운영을 제안합니다.
정확하고 효율적인 시계열 예측은 특히 다변량 환경 설정에서 고전 및 양자 신경망 아키텍처 모두에게 여전히 어려운 과제입니다. 본 연구는 양자 누적-방전(Quantum Leaky Integrate-and-Fire, QLIF) 스파이킹 신경망(SNN)을 시계열 회귀 태스크, 특히 단기 다변량 기상 예측에 맞게 적용합니다. 우리는 QLIF를 단순 분류(classification)를 넘어 연속값 예측 문제로의 적용 가능성을 입증하며 확장합니다. QLIF-CAST 모델은 뉴런의 흥분 상태를 R_x 회전 게이트 및 T1 이완 감쇠(relaxation decay)에 의해 구동되는 단일 큐비트 양자 중첩으로 인코딩하며, 하이브리드 양자-고전 순환 아키텍처 내에 임베딩됩니다. 본 연구에서는 두 가지 구별된 평가를 수행합니다. 첫째, 다변량 기상 데이터셋에서 매개변수를 일치시킨 고전적 LIF 기준선(baseline)과 통제된 비교를 수행한 결과, QLIF-CAST는 MSE를 15.4%, MAE를 4.4% 낮추어 양자 뉴런 역학이 고전적 동등물 대비 예측 오차를 줄임을 입증합니다. 둘째, 대기질 및 풍속 벤치마크에서 최첨단 양자 LSTM(QLSTM) 및 양자 신경망(QNN) 모델과의 교차 도메인 비교 분석을 통해 QLIF-CAST가 최대 94% 단축된 학습(training) 시간 내에 수렴하여 속도-오차 트레이드오프 공간에서 독보적인 위치를 차지함을 보여줍니다. IBM Marrakesh(156-큐비트 QPU)에서의 하드웨어 검증을 통해 시뮬레이션과의 평균 편차가 1.2%에 불과한 신뢰할 수 있는 회로 실행을 확인했습니다.
AI 기상 모델은 극값(extremes)을 과소평가한다고 자주 보고되지만, 대부분의 증거는 재분석 자료를 기준으로 검증된 결정론적 회귀 모델에 해당합니다. 본 연구에서는 10개월간의 유럽 관측소 데이터를 활용하여 ECMWF IFS와 비교하며 12개의 물리적 및 AI 예측 모델을 평가(evaluation)합니다. 이번 평가는 고정된 ERA5 1991-2020 기후학에서 정의된 체제 내에서 10m 풍속, 2m 기온, 태양 복사, 강수량을 다룹니다. 연구 결과, 꼬리(tail) 영역에서 AI 모델 고유의 일관된 성능 저하는 발견되지 않았습니다. 여러 AI 모델은 극한 조건에서도 IFS보다 더 높은 정확도를 유지한 반면, 다른 모델들은 현저히 저하되었으며, 물리적 모델들 사이에서도 이와 유사한 편차가 나타났습니다. 그럼에도 불구하고 모든 모델은 낮은 관측치는 과대예측하고 높은 관측치는 과소예측하는 공통적인 조건부 오차 패턴을 보입니다. 따라서 극값의 감쇠가 상대적 기술 점수(relative skill)의 일률적인 손실을 의미하는 것은 아닙니다. 꼬리 영역의 성능은 예측이 AI에 의해 생성되었는지 혹은 물리적 수치 모델링에 의해 생성되었는지보다는 모델, 변수 및 평가 환경에 따라 달라집니다.
데이터 동화(Data assimilation, DA)는 잡음이 있고 부분적인 관측값으로부터 진화하는 동적 시스템의 상태를 추정하며, 과학 시뮬레이션뿐만 아니라 기상 및 기후 과학 분야에서 널리 활용됩니다. 실제로 필터링 방식은 프레임 간 전이 모델에 의존합니다. 그러나 이러한 모델은 실제 기상 데이터처럼 관측값이 더 높은 차원의 잠재 상태 중 일부 단면만을 구성하는 비마르코프(non-Markovian) 특성을 가질 때 취약하며, 긴 시간 지평(horizon)에 걸쳐 오차가 누적되는 경향이 있습니다. 동시에, 기존의 학습 기반 DA 방식은 일반적으로 필터링(초단기 예보, 실시간 예측)이나 평활화(소급 재분석) 중 단일 체계에만 특화되어 있어, 본래 공유되어야 할 사전 분포(prior)가 응용별 파이프라인으로 분리되는 문제가 있습니다. 이러한 두 가지 문제를 해결하기 위해, 본 논문에서는 통합적이고 강건한 DA 프레임워크인 ForcingDAS를 제안합니다. 각 프레임에 독립적인 노이즈 수준을 할당하는 확산 포싱(Diffusion Forcing)을 기반으로 구축된 ForcingDAS는 프레임 간 전이 대신 결합 궤적 사전 분포를 학습합니다. 이를 통해 긴 시간 지평의 시간적 의존성을 포착하고 오차 누적을 줄일 수 있습니다. 또한, 한 번 학습된 동일한 모델이 추론(inference) 시점에 필터링부터 평활화까지의 전체 스펙트럼을 포괄합니다. 구체적으로 재학습 없이 추론 스케줄 조정만으로 초단기 예보(nowcasting), 고정 지연 평활화(fixed-lag smoothing), 배치(batch) 재분석을 선택할 수 있습니다. 2D 나비에-스토크스(Navier-Stokes) 와도, 강수 초단기 예보, 전 지구 대기 상태 추정에서 ForcingDAS를 평가했습니다. 모든 설정에서 단일 모델(model)이 개별 체계에 특화된 학습 기반 및 고전적 베이스라인과 경쟁력이 있거나 이를 능가했으며, 특히 실제 기상 벤치마크에서 가장 큰 성능 향상을 보였습니다.
고해상도 수치 예보(NWP) 및 자료 동화(DA)의 발전은 대기 역학을 모사하는 심층 학습(DL) 아키텍처의 발전을 이끌어왔습니다. 일기 예보용 에뮬레이터는 수일에서 계절 내(subseasonal) 시간 규모로 확장되는 예측 기간에서 물리 기반 모델에 필적하는 예보 품질을 보여줍니다. 이러한 에뮬레이터는 자기회귀 추론에서 하드웨어 가속 행렬 곱을 기반으로 구동되어 수치 예보에 필요한 계산 시간과 자원을 크게 줄여줍니다. GPU 아키텍처에서 행렬 곱 연산 과정을 최적화하면 고해상도 영역으로 확장할 기회를 제공하며, 즉시 사용 가능한(out-of-the-box) 솔루션의 구현을 가능하게 합니다. 사후 학습 양자화(PTQ)는 여러 심층 학습 아키텍처 전반에서 전력 소모를 줄이면서도 단위 시간당 계산 횟수를 가속화하고 늘려 엣지 하드웨어에서의 응용을 가능하게 하는 것으로 입증되었습니다. 본 연구에서는 전 지구 규모 일기 예보를 위한 사전 학습된 AI 에뮬레이터에 PTQ가 미치는 영향을 조사합니다. 지구물리 유체역학 응용을 위한 개념 증명(proof of concept)으로서 DLWP(Deep Learning Weather Prediction) 및 FourCastNet(FCN) 모델에 PTQ 알고리즘을 구현합니다. 우리는 단기 예측 기간에 걸쳐 에뮬레이터 추론에 미치는 PTQ의 영향을 체계적으로 조사합니다. 시뮬레이션 양자화를 사용한 PTQ 구성 평가는 단기 기간에 걸쳐 정성적으로 유의미한 예보 가능성을 시사합니다. 이러한 결과는 자기회귀 기상 에뮬레이터에 대한 PTQ의 첫 번째 벤치마크이자 동역학계 대상 심층 학습 모델의 양자화 기반 최적화를 위한 기초를 제공합니다.
기후 인식 디지털 트윈 시스템을 지원하려면 단기 대기 온도 예측이 필요하지만, 열 관측이 불완전한 곳에서도 그러한 예측을 생성해야 한다. 본 연구는 위치온도(potential temperature) 예측을 위해 압력 좌표 열역학적 이류-원(source) 방정식과, 직전 12시간 구간에서 적합한 후 미래 시점 학습 전에 고정(freeze)한 비단열(diabatic) 원 폐쇄(closure)로 제약하는 물리정보 신경망(physics-informed neural network)을 평가한다. 세 개 압력 레벨에서 시간별 ERA5 재분석을 사용하여, 모델은 1·2·3시간 선행(lead time)에서 지속(persistence), 국지 추세(local-trend), 그리고 동일한 미래 기상 forcing을 PINN과 같이 받는 신경망 기준선 하나를 포함한 두 개의 대응(match) 신경망 기준선과 비교하는 조건부 후향 예측(hindcast)으로 평가되어, 물리적 제약과 미래 forcing 접근의 효과를 구분하는 데 도움이 된다. 오클라호마 개발 사례에서 가장 강한 기준선 대비 평균 RMSE 개선은 1시간에서 8.1%에서 3시간에서 23.8%까지 증가했으며, 후보 위치의 5%까지 관측 밀도 스weep을 내린 희소성 조건에서도 3시간 우위는 14.6–16.9%로 유지되었고, 밀도가 낮을수록 성능이 개선된다는 증거는 없었다. 알abama 열 이벤트로 고정 프로토콜을 이전하고 세 가지 가상 관측 배치를 적용한 경우, 3시간 개선은 19.7–24.4% 범위였고 origin 수준에서 일관된 우위가 있었다. 고정 압력 레벨이 복잡 지형과 교차하는 몬타나 스트레스 테스트에서는 3시간 성능이 대략 17.5% 악화되어, 해당 formulation의 지형 관련 적용 한계를 드러냈다. 종합하면, 물리 제약의 이점은 예측 horizon이 길어질수록 커지고, 심각한 관측 희소성에서도 유지되며, 지역 간 전이되지만, 복잡 지형 위에서 고정 수직 좌표 표현의 타당성에 의해 한계가 있으며, 이는 기후 인식 예측 및 디지털 트윈 시스템의 물리 제약 구성요소와 관련된 근거이다.
의사결정자들은 작물 재배, 산불 관리, 수자원 및 에너지 배분, 기상 이변 대비를 위해 날씨 예보에 의존한다. 오늘날, 물리 기반 역학 모델과 데이터 기반 인공지능(AI) 모델의 꾸준한 발전 덕분에 이러한 예보는 2주 앞까지 전례 없는 정확도를 달성하고 있다. 그러나 오차의 누적, 시스템적 모델 바이어스, 대기의 혼돈적 특성으로 인해 계절내(subseasonal) 시간 규모(2~6주 앞)에서는 모델 성능이 급격히 저하된다. 이러한 성능 저하에 대응하기 위해, 우리는 과거 확률적 예보를 교정하는 방법을 학습함으로써 체계적 오차를 크게 줄이는 머신러닝 프레임워크인 확률적 바이어스 교정(PBC, probabilistic bias correction)을 소개한다. 유럽중기예보센터(ECMWF)의 선도적인 역학 모델 및 AI 모델에 적용했을 때, PBC는 AI 예보 시스템의 낮은 계절내 성능을 2배로 향상시키고, 운영상 바이어스 제거가 적용된 역학 모델의 성능을 기압 목표의 91%, 기온 목표의 92%, 강수 목표의 98%에서 개선한다. PBC는 운영 배포를 위해 설계되었으며, ECMWF의 2025년 실시간 예보 경진대회에서 모든 기상 변수와 예보 기간에 걸쳐 전 지구 예보 1위를 차지하며, 6개 운영 예보 센터의 역학 모델, 국제 역학 다중 모델 앙상블(multi-model ensemble), ECMWF의 AI 예보 시스템, 그리고 전 세계 34개 팀의 예보 시스템을 능가했다. 이러한 확률적 성능 향상은 극한 기상 사건의 보다 정확한 예측으로 이어지며, 취약한 지역사회의 농업 계획, 에너지 관리, 재난 대비 능력을 개선할 잠재력을 지닌다.
귀납 논리 프로그래밍(Inductive Logic Programming, ILP)은 1990년대 논리 프로그래밍(Logic Programming) 커뮤니티에서 시작되었으며, 기호 학습(symbolic learning)과 선언적 지식 표현(declarative knowledge representation)을 결합하는 프레임워크로 등장했다. 오늘날 성숙한 ILP 프레임워크가 존재하며, 복잡한 비단조(non-monotonic) 가설을 학습할 수 있어 ILP의 모델링 역량과 실세계 응용 범위를 모두 넓히고 있다. 본 연구는 주로 FastLAS2 프레임워크를 기반으로 하며, 이탈리아 프리울리 베네치아 줄리아(Friuli Venezia-Giulia) 지역의 지역 기상 관측소인 OSMER FVG가 발표하는 기상 속보를 명확히 하는 데 도움이 되는 단순하고 해석 가능한(interpretable) 가설을 생성하는 것을 목표로 한다. 본 논문에서는 시뮬레이션된 기상 원시 데이터와 정답(ground truth)으로 사용된 OSMER의 속보를 출발점으로, 데이터를 ASP 팩트로 추출하고 ILP 예제를 생성하는 파이프라인을 제시한다. 이러한 예제로부터 FastLAS2를 통해 설명적 가설이 추론된다. 이러한 가설(자연어로 번역됨)은 인간 전문가가 발표한 기상 예보를 설명하며, 특히 속보 픽토그램(예보의 기호가 표기된 기상 지도)에서 전문가가 특정 기호를 선택한 근거를 설명한다. 제안된 접근법은 일반적이며 특정 지역에 국한되지 않아, 다른 출처의 속보와 다른 지역에도 동일하게 적용할 수 있다.
글로벌 관측소 기상 예측(GSWF)은 주요 지역에 대한 국지적 및 극한 기상 예측에 핵심적이다. look-back 윈도우를 활용하려는 노력에도 불구하고, 기존 방법들은 정확도 향상이 제한적이며 극한 사건과 오차 누적에 어려움을 겪는다. 이러한 한계는 혼돈적인 기상 역학, 특히 부분 관측 상황에서 단기 패턴에 과도하게 의존하기 때문에 발생하며, 이는 장기 패턴을 포착하기에 불충분하다. 이 문제를 해결하기 위해, 우리는 역사 강화 시간-변수-역사적(Temporal-Variable-Historical) 패러다임을 갖춘 새로운 삼축 상태 공간 모델(TSSM)을 제안한다. 이는 시간적 look-back 윈도우를 넘어서는 장기적·대규모 주기적·전체 윈도우 기상 패턴을 보완하기 위해 주기 정렬 역사적 기상 데이터를 통합한다. 구체적으로, TSSM은 역사적 샘플을 주기 정렬 배치로 쌓아, 예측이 역사적 및 현재 관측에 의해 인과적으로 뒷받침되도록 한다. 시간, 변수, 역사적 스캐닝은 축 방향 시간 의존성, 변수 상관관계, 역사적 변화를 포착하도록 설계되었다. 이 구조는 계층적으로 공유되어 계절적 현상부터 극한 사건까지 모델링하면서 역사적 패턴 간 불일치를 완화한다. TSSM은 현재까지 가장 큰 관측소 기상 데이터셋인 Weather-5K에서 최첨단(SOTA) 성능을 달성하여 정확도와 극한 사건 지표에서 각각 10% 및 61%의 향상을 보였으며, 인간 참여 데이터셋에서 95%의 최고 또는 2위 결과를 얻었다. 그 장점은 장기 예측 및 반복 예측에서 더욱 두드러지며, 240시간에서 37.5% 향상을 달성하고 48시간×5 반복 설정에서 최대 103.5%의 향상에 이른다. 또한 TSSM은 최대 80% 관측 누락 상황에서도 90% 이상의 성능을 유지하는 반면, 베이스라인은 43% 미만으로, 글로벌 현장(in-situ) 관측 네트워크에서 신뢰할 수 있는 GSWF를 위한 견고성과 실용적 잠재력을 입증한다.
최근까지 수치 일기 예측(NWP) 모델은 몇 가지 한계에도 불구하고 운영 예보에서 독보적인 위치를 차지해 왔다. 구체적으로, 물리 기반 모델은 계산 비용이 크고 짧은 선행 시간(lead time)에서 성능이 떨어져 단기 예보(nowcasting)에서의 활용도가 낮다. 이러한 단점에 기인하여, 최근 연구들은 신경망으로 분석 데이터를 모방하는 AI 기반 일기 예측(AI-WP) 대안을 제안한다. 이러한 데이터 기반 접근법은 중기 예보에서 높은 예측 skill을 달성했지만, 강수 및 단기 예보에 대한 AI-WP 적용은 상대적으로 덜 탐구되었다. 이에 본 논문은 강수 단기 예보에 맞게 조정된 비디오 트랜스포머인 SaTformer를 논의한다. 본질적으로 fat-tailed 회귀 과제와 관련된 몇 가지 문제를 완화하기 위해, 단기 예보를 분류 문제로 공식화하고 빈도 가중 손실을 사용하는 것이 타당하다고 판단했다. 이 단순한 접근법은 NeurIPS Weather4Cast 2025 「Cumulative Rainfall(누적 강수)」 챌린지에서 1위를 기록했다. 코드와 모델 가중치는 github.com/leharris3/satformer에서 이용할 수 있다.
정확한 기상 예측은 농업 계획, 관개 관리, 환경 의사결정 지원에 필수적이다. 본 연구는 기준 증발산량($ET_0$), 수증기압 포차(VPD), 풍속, 풍향의 사인 및 코사인 성분에 대한 다변량 예측을 위해 순환 및 하이브리드 심층 학습 아키텍처를 비교 평가한다. 분석에는 OpenMeteo Historical Weather API를 통해 ERA5에서 수집한 그리스 이오아니나 지역의 2011년 1월부터 2026년 4월까지 총 134,376개의 시간별 관측값이 활용된다. 단층 및 다층 GRU와 LSTM 네트워크를 하이브리드 1D-CNN-GRU 및 1D-CNN-LSTM 모델과 비교하며, 두 가지 예측 과제—24시간 익일 예측과 168시간 주간 예측—를 수행한다. 성능은 정규화 평균제곱근오차, 결정계수, 복합 가중 지수 점수(WQS)를 사용하여 평가한다. 순수 순환 모델 중 가장 효과적인 모델은 24시간 예측 구간에서 WQS 0.816755를 기록한 64-유닛 LSTM이며, 168시간 예측 구간에서는 WQS 0.779465를 기록한 1024-유닛 GRU이다. 하이브리드 CNN-GRU 모델은 24시간 및 168시간 예측 구간에서 각각 0.827535와 0.782863으로 전체 최고 점수를 달성하였으나 LSTM 모델에 비해 유닛 수가 더 많은 반면, CNN-LSTM 모델은 파라미터 수를 크게 줄이면서도 거의 동일한 결과를 산출한다. 대응하는 순환 기준 모델과 비교하였을 때, 하이브리드 모델은 24시간 구간에서 WQS를 1.22--1.63\%, 168시간 구간에서 0.44--0.45\% 향상시키며, 합성곱 특징 추출이 단기 예측에 더욱 유익함을 시사한다.
GNSS의 천정 습윤 지연(ZWD)을 기상 파운데이션 모델 Aurora에 처음으로 통합하여, 기존 머신러닝 기상 모델의 고질적 문제인 극한 강수 과소 추정을 개선하는 방법을 제시한다. 19,000개 이상의 GNSS 스테이션으로 생성한 격자형 ZWD 데이터를 Aurora에 추가 입력 변수로 포함해 파인튜닝한 결과, 99번째 백분위수 강수 이벤트에서 공정 위협 점수(ETS)가 8.8% 향상되고 강수 파워 스펙트럼이 종관 및 행성 규모에서 더욱 현실적으로 개선되었다.
전역 기상 기반 모델(Aurora)의 잠재 공간에서 직접 동작하는 경량 다중 스케일 예측 헤드를 추가하여, 백본 재학습 없이 0.25°→0.025°의 100배 해상도 향상을 달성하는 지역 날씨 다운스케일링 프레임워크를 제안한다. 수치기상예측(NWP) 대비 대부분의 지표에서 높은 정확도를 훨씬 낮은 계산 비용으로 달성하며, 이미지 기반 초해상도 방식보다 우수한 다운스케일링 성능을 보인다.
기존의 ViT 기반 날씨 예측 모델들은 모든 공간 토큰에 걸쳐 균일한 연산을 적용하지만, 인접한 대기 격자점들은 종종 유사한 값을 포함하고 광범위한 영역은 시간에 따라 완만하게 변화한다. 이로 인해 중간 단계의 토큰별 연산 상당 부분이 중복된다. 가지치기나 병합과 같은 표준적인 토큰 효율화 방법들은 토큰을 제거하거나 융합하여 비용을 절감한다. 그러나 날씨 예측은 시공간 밀집 예측 문제로, 대기 상태의 이력을 원래의 위도-경도 격자 위의 미래 값으로 매핑해야 한다. 따라서 모든 격자 셀은 물리적으로 의미 있는 표현을 유지해야 하며, 특히 자기회귀 롤아웃 하에서는 더욱 그러하다. 우리는 Sparse-Reslim을 소개한다. 이는 매개변수 없는 플러그인 라우팅 모듈로, 희소 토큰 처리를 고정 격자 요구사항과 호환되도록 만든다. Sparse-Reslim은 공간 토큰의 25%만을 비용이 많이 드는 중간 트랜스포머 블록을 통해 라우팅하고, 해당 블록들을 잔차 업데이트로 처리한다. 즉, 라우팅된 토큰에 대해 생성된 변화량(delta)만을 계산하고 이를 전체 시퀀스에 분산시킨다. 선택되지 않은 토큰들은 라우팅 전 표현을 그대로 유지하므로, 어떤 격자 셀도 제거되거나 마스크 토큰으로 대체되지 않으며, 융합 층이나 추가 매개변수도 도입되지 않는다. 운영 표준인 0.25° 해상도까지의 ERA5 해상도와 두 모델 패밀리—결정론적 트랜스포머와 확산 모델—에 걸쳐, Sparse-Reslim은 평가된 모든 변수에서 예측 정확도를 향상시키면서 비용을 크게 절감한다. 주요 설정에서 학습 속도는 약 2.5배 빠르며, 0.25°에서는 3.18배 속도 향상을 달성하고, 최대 메모리는 2.2배 이상 감소한다. 통제된 분해 분석은 정확도 향상이 주로 희소 라우팅 자체에서 비롯되며, 랜덤 토큰 선택이 선택기 오버헤드 없이 추가적인 정규화 이점을 제공함을 보여준다.
확산 모델의 지식 증류와 강화학습 기반 보상 최적화를 동시에 수행하는 새로운 프레임워크인 RMMD(Rewarded Moment Matching Distillation)를 제안하며, 온-정책 샘플링 루프 적용과 증류 손실을 KL 정규화 프록시로 재활용해 고품질 생성을 유지한다. ImageNet FID-보상 파레토 프론트에서 DI++, DRaFT, HyperNoise 대비 우수한 성능을 보이며, 기상 예측 모델 GenCast에 적용 시 7.5배 속도 향상과 함께 대상 기상 변수의 93%에서 교사 모델을 능가하는 결과를 달성했다.
공간 풀링 PCA와 층별 관련성 전파(LRP)로 Aurora의 내부 표현을 분석한 결과, 잠재 공간은 극단적 폭풍보다 계절 주기 중심으로 조직되며 1987년 대폭풍의 3D 수직 구조와 일치하는 특징에 주목함을 확인했다. 관련 영역 마스킹 시 무작위 마스킹 대비 예측이 3.31배 더 크게 저하되어, Aurora가 명시적 지시 없이도 기상학적 일관성과 수직 구조를 학습했음을 시사한다.
확률적 기상 예보는 인공지능(AI)으로 인해 급격한 변화를 겪고 있습니다. 전통적인 수치 기상 예보에서는 컴퓨팅 파워가 앙상블 예보가 미래 상태의 알려지지 않은 통계적 분포를 얼마나 잘 근사하는지 제한할 수 있습니다. AI 모델은 더 큰 앙상블을 가능하게 하며 확률적 고려 사항을 통해 학습되어, 이상적으로는 더 나은 불확실성 정량화로 이어집니다. 이러한 최첨단 모델들의 예보는 종종 잘 보정된 것으로 간주됩니다. 그러나 본 연구에서는 보정의 궁극적인 척도인 이러한 모델의 통계적 커버리지가, 특히 극한 사건에서 어려움을 겪을 수 있음을 보여줍니다. 이러한 단점을 해결하기 위해, 우리는 이전의 사후 처리 기술과 달리 분포 가정 없이 수학적으로 커버리지를 보장하는 통계적 방법의 클래스인 컨포멀 예측을 사용합니다. 우리는 세 가지 주요 글로벌 기상 모델인 GenCast, NeuralGCM, AIFS-ENS의 기온 및 강수량 예보(극한 포함)에 온라인 컨포멀 예측을 적용하여, 다른 확률적 지표를 희생하지 않으면서 보정된 불확실성을 보장합니다. 이 사후 처리 방법은 모든 예보 모델에 적용할 수 있습니다.
강수 단기예측(precipitation nowcasting)에 활용할 수 있는 희소한 점별(sparse point) 관측 데이터가 점점 더 많아지고 있지만, 이것이 조밀한 레이더 필드(radar-field) 예측을 얼마나 개선하는지는 불분명합니다. 우리는 북유럽(Nordic) 레이더 영역에 적용한 멀티모달 그래프 신경망(graph neural network) 단기예측 시스템을 통해 이 질문을 부분적으로 다룹니다. 이 모델은 최대 2시간까지 5분 간격으로 강수율을 예측하며, 레이더 과거 데이터, MEPS 수치 예보(NWP), Netatmo 지표 관측, MSG 위성 채널, 확률적 노이즈, CRPS 기반 앙상블 손실(ensemble losses)의 다양한 조합으로 학습되었습니다. 이 연구는 운용적으로 관련 있는 정보 소스와 학습 목표에 대한 소거 연구(ablation study)로 설계되었습니다. 우리는 레이더 그리드 상, 관측소 위치, 강우 시작 시점에 대한 상호 보완적인 진단(diagnostic)과 오라클(oracle), 변위(displacement), 진폭(amplitude) 점수를 사용하여 레이더 전용, NWP 기반, 관측소 기반, 위성 기반, 노이즈 증강, CRPS 기반 구성을 비교합니다. 결과에 따르면 각 소스는 예측 문제의 서로 다른 부분을 개선합니다. MEPS는 레이더 전용 외삽(extrapolation)을 안정화하고, Netatmo 관측은 지역 관측소 및 강우 시작 진단을 개선하며, 위성 예측 변수는 일부 관측소 수준의 편향을 줄이지만 결정론적으로 사용될 경우 비를 너무 일찍 예측할 수 있습니다. CRPS 기반 구성은 가장 일관된 레이더 그리드 성능 향상을 제공하는 반면, 위성과 CRPS를 결합한 설정은 전반적으로 가장 우수한 오라클(oracle)/DAS 점수를 보여줍니다. 이러한 결과는 점 관측이 단기예측에 정보를 제공하지 않는다는 결론을 뒷받침하지 않지만, 지역적 관측 기술(skill)과 공간적으로 응집된 레이더 필드(radar-field) 기술(skill)이 서로 다른 목표임을 보여줍니다. 실질적인 시사점은 희소 관측이 유용한 지역적 제약 조건을 제공할 수 있지만, 레이더와 유사한 필드에 대한 이점은 학습 손실(loss), 불확실성 표현, 그리고 모델에 관측 지원(support)이 어떻게 인코딩되는지에 달려 있다는 것입니다.