많은 과학적 질문은 한 번도 관측되지 않은 것에 대한 추론을 요구한다: 조건, 개입, 혹은 역사가 달랐다면 어땠을까? 모델은 관측된 데이터에서는 정확하게 예측할 수 있지만, 상관된 입력들을 독립적으로 변화시키는 이러한 가정적(what-if) 질의에서는 실패할 수 있다. 일반적인 해결책은 이러한 요인들이 명시적으로 분리된 통제된 시뮬레이션 데이터를 추가하는 것이지만, 이는 시뮬레이터에 대한 접근을 필요로 하고, 계산 비용이 높을 수 있으며, 시뮬레이터의 모델링 가정을 그대로 물려받는다. 우리는 ReRoute를 소개한다. 이는 사실적(factual) 데이터와 부분적인 메커니즘 지식을 결합하여 목표로 하는 과학적 가정 예측을 수행하는 프레임워크로, 적응을 위한 통제된 개입(intervention) 데이터를 필요로 하지 않는다. ReRoute는 사전학습된 백본(backbone)의 질의 대상 입력을 기준값(reference value)으로 고정한 뒤, 알려진 메커니즘 경로(mechanistic pathway)를 통해 그 변동을 다시 도입하고, 원본 사실적 데이터로 파인튜닝을 수행하며, 하류(downstream) 효과는 학습된 동역학(dynamics)에 맡긴다. 우리는 명시적인 구조적 가정 하에서 이러한 구성에 대한 인과적 식별(causal identification) 결과를 제시하며, 핵심 논증은 Lean을 이용해 기계적으로 검증되었다. 정확한 응답을 얻을 수 있는 통제된 이송-확산(advection-diffusion) 시스템에서 ReRoute가 매우 정확한 반사실적 예측을 달성함을 보인 뒤, 우리는 최신(state-of-the-art) 기후 에뮬레이션(climate emulation)으로 눈을 돌린다. 홀드아웃(held-out)된 결합 기후(coupled-climate) 개입에 대해, ReRoute는 심각한 CO$_2$ 분포 변화(distribution shift) 하에서 전체 기후 오차를 18.2-31.8% 감소시키는 동시에 표준 조건에서의 성능(skill)은 그대로 유지하며, 이러한 데이터를 생성하는 데 드는 상당한 비용을 고려하지 않더라도 추가적인 통제된 시뮬레이션으로 재학습하는 비용의 일부에 불과한 비용으로 이를 달성한다. 마지막으로, 반사실적 기준(reference)이 존재하지 않는 과거 ERA5 재분석(reanalysis) 데이터로 학습된 에뮬레이터에서, ReRoute는 고정 CO$_2$ 반사실적 조건(fixed-CO$_2$ counterfactual) 하에서 관측된 경계 조건(boundary conditions)이 시사하는 지표면 온난화(surface warming)를 상당히 더 많이 보존한다.
수십 년간 물리 기반 기후 모델은 기후 의사결정에 대한 통찰을 제공하는 데 활용되어 왔다. 그러나 이러한 모델의 적용은 막대한 계산 비용과 기술적 요구로 인해 제약을 받고 있다. 머신러닝(ML) 에뮬레이터는 이러한 높은 계산 비용을 절감할 수 있는 방법을 제공하지만, 기후 연구에서 ML 에뮬레이터를 효과적으로 활용하는 것은 여전히 어려운 과제로 남아 있다. 실제로 기후 과학자들은 에뮬레이터를 완전히 우회하는 경우가 많고, 머신러닝 연구자들은 실용적 유용성을 입증하지 않은 채 방법론적 사례 연구로만 에뮬레이터를 개발하는 경향이 있다. 그 이유는 다양한데, 제한된 접근성과 전문 지식의 부재부터 ML 방법의 물리적 그라운딩에 대한 광범위한 우려에 이르기까지 다양하다. 본 논문에서는 이러한 한계를 논의하고, 기후 과학과 머신러닝 관점을 모두 고려하여 에뮬레이터 개발을 안내하는 프레임워크를 제시한다. 명확히 정의된 과제를 다루고 신뢰성을 입증하는 채택이 용이한 에뮬레이터를 설계하는 것이 필수적이라고 주장한다. 이는 머신러닝 접근법을 응용 기후 연구에 더욱 관련성 있고 실용적으로 만들기 위한 유망한 경로를 제시한다.
물리적 시스템에 대한 심층 학습(deep learning)의 인기가 계속 증가함에 따라, 일반화 능력을 향상시키려는 노력은 주로 물리적 제약 조건을 내장한 아키텍처를 설계하는 데 집중되어 왔습니다. 그러나 기계 학습 대리 기후 모델(에뮬레이터)의 경우, 학습 데이터를 생성하는 데 일반적으로 사용되는 기존 시나리오의 낮은 구조적 다양성이 예측 성능의 상한을 제한한다는 것을 우리는 보여줍니다. 본 연구에서는 일반화를 개선하기 위해 학습 데이터셋(dataset) 자체를 최적화할 수 있는지 여부를 조사합니다. 우리는 학습 데이터에 없는 새롭고 구조적으로 다른 시나리오로 일반화할 수 있는 에뮬레이터를 생성하는 데이터셋을 만드는 방법을 제안합니다. 우리는 미분 가능한 단순 기후 모델(SCM)을 사용하여 학습 데이터의 섭동에 대한 에뮬레이터 손실(loss)의 민감도를 계산하고, 에뮬레이터의 성능을 최대화하기 위해 학습 데이터를 반복적으로 업데이트합니다. SCM의 경우, 이러한 방식으로 최적화된 하나의 시나리오에서 학습(training)한 것이 6개의 표준 ScenarioMIP 경로에서 학습한 에뮬레이터보다 더 우수한 성능을 보입니다. 우리는 더 작은 데이터셋에서 학습했음에도 불구하고 이러한 더 높은 예측 성능을 달성했으며, 단일 강제 실행 없이도 우리 에뮬레이터가 서로 다른 기후 강제 요인(예: 온실가스 대 에어로졸)의 뚜렷한 물리적 거동을 성공적으로 분리해낸다는 것을 발견했습니다. 또한, SCM을 사용하여 최적화된 시나리오를 중간 복잡도 기후 모델(model)을 구동하는 데 사용할 경우, ScenarioMIP 출력물에서 학습하는 것보다 더 성능이 뛰어난 에뮬레이터를 생성하는 학습 데이터셋을 만든다는 것을 입증합니다. 우리의 결과는 전체 규모 기후 모델을 실행하는 컴퓨팅 자원이 제한된 환경(environment)에서, 동적으로 풍부한 소수의 시나리오를 생성하는 것이 기존 배출 경로 모음을 확장하는 것보다 에뮬레이션 및 시스템 응답 특성화에 더 큰 한계 가치를 제공함을 시사합니다.
부과된 wave-2 가열 섭동만 다른 Isca 시뮬레이션 쌍에서 컨볼루션·트랜스포머·그래프 기반 1단계 예측 에뮬레이터의 돌연 성층권 온난화(SSW) 역학 모사 성능을 비교했으며, SSW 유사 변동이 활성화되면 아키텍처 간 차이가 커지고 명시적인 3차원 수직 결합이 핵심 유도 편향으로 드러났다. 다만 Eliassen-Palm 플럭스 진단에서는 낮은 예측 오차에도 파동-평균 흐름 상호작용의 물리적 충실성이 보장되지 않고 성층권 파동 구동 구조에 구조적 오류가 남음을 보였다.
거주 가능한 외계 행성 대기 신호 해석에 필요한 기후 모델링 병목을 줄이기 위해, 5개 전 지구 기후 모델(GCM)의 약 1800개 시뮬레이션으로 구성된 외계 기후 에뮬레이션 벤치마크 ThousandWorlds를 제안한다. 8개 행성 매개변수에서 온도·습도·바람·구름·복사 등 3차원 대기장을 예측하는 저데이터 다중 시뮬레이터 회귀 과제에서 7가지 기준 모델을 평가한 결과, 가우시안 프로세스(GP) 기반 방법이 가장 우수하며 기성 심층 학습은 아직 성공하기 어려운 영역임을 보여준다.