PyTorchKR Papers

최신 논문

총 9편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.30995v2cs.LG

기후 모델에서 강제력이 기온에 미치는 영향에 대한 계층적 인과 표상 학습

Learning Hierarchical Causal Representations of the Effects of Forcings on Temperature in Climate Models

머신러닝(ML) 에뮬레이터는 지구 시스템 모델(Earth System Models) 예측을 기반으로 학습(training)된 후 기후 변화 시나리오를 시뮬레이션할 수 있는 빠르고 비용 효율적인 방법을 제공합니다. 그러나 이러한 데이터 주도적 접근 방식의 블랙박스 특성은 출력값의 사용성과 신뢰성을 제한하며, 특히 인과적 귀인(causal attribution) 도구로서의 활용을 제한합니다. 본 연구에서는 최첨단 전지구 기후 모델의 해수면 온도 장에 적용되는 계층적 인과 표상 학습(hierarchical causal representation learning) 프레임워크를 개발합니다. 이전 연구 대비 주요 진보로서, 본 프레임워크는 내부 기후 변동성에서 발생하는 대기 역학적 상호작용과 대기 중 온실가스 및 에어로졸 농도 변화로 인한 강제 반응(forced responses)을 모두 명시적으로 모델링합니다. 미래 기후 변화 시나리오로 학습했을 때, 본 방법은 장기 전지구 평균 및 지역 기온 변화를 정확하게 예측하며, 미확인 시나리오에 대해 평가(evaluation)했을 때 온실가스 및 에어로졸 농도 섭동에 대해 물리적으로 현실적인 반응을 보여줍니다. 본 연구 결과는 기후 모델 에뮬레이션을 발전시키는 데 있어 인과 표상 학습 프레임워크의 잠재력을 강조합니다.

arXiv:2609.40140v2physics.ao-ph

적을수록 좋다: 극한 고온의 데이터 효율적인 킬로미터 스케일 다운스케일링을 위한 오차-거리 스케일링 관계

Less is more: error-distance scaling relation for data-efficient kilometer-scale downscaling of extreme heat

극한 고온은 도시 적응을 위해 킬로미터 스케일(kilometer-scale)의 데이터가 가장 필요한 분야이지만, 다운스케일러를 학습(training)시키는 시뮬레이션은 절감되는 비용보다 더 많은 비용이 들 수 있으며, 얼마나 많은 데이터가 필요한지는 밝혀지지 않았습니다. 본 연구에서는 1개월에서 8개월에 이르는 24가지 구성을 통해 32km 재분석 자료를 1km의 기온, 습도, 바람으로 다운스케일링하며 구조 보존 손실(loss)을 적용한 U-Net 기반의 CASPER를 통해 이를 측정했습니다. 홀드아웃(held-out) 오차는 학습 데이터와의 기후학적 거리에 따라 선형적으로 증가하며(RMSE = 0.83 + 2.95 d), 데이터양의 설명력이 7%인 것에 비해 분산의 90%를 설명하고 보지 못한 달의 결과를 사전에 예측합니다. 홀드아웃된 극한 여름 주간에서 CASPER는 동일한 예산의 베이스라인 모델들이 저하시키는 미세 스케일 구조와 다변량 물리 관계를 보존하며, 기록된 폭염 기간 동안 관측소 관측치와 1.8 K 이내로 일치합니다. 새로운 지역으로의 전이(transfer)는 지리적으로 성능이 저하되지만, 11일간의 국소 시뮬레이션만으로 밴쿠버의 홀드아웃 오차를 3.8 K에서 1.3 K로 감소시킵니다. 따라서 학습 기간은 목표 기후를 포괄해야 합니다. 즉, 4배 적은 시뮬레이션으로도 동일한 정확도를 확보할 수 있어 대규모 컴퓨팅 시설이 없는 연구 그룹도 극한 고온의 킬로미터 스케일 다운스케일링에 접근할 수 있게 됩니다.

arXiv:2601.04268v3cs.LG

강화학습을 사용하여 날씨 및 기후 모델의 조정 가능 매개변수를 상태 의존 함수로 대체

Replacing Tunable Parameters in Weather and Climate Models with State-Dependent Functions using Reinforcement Learning

날씨 및 기후 모델은 격자 미해상(sub-grid) 과정을 표현하기 위해 매개변수화(parametrisation)에 의존한다. 기존 방식은 약하게 제약된 고정 계수에 의존하며 오프라인으로 조정되어, 기본 물리에 적응하는 능력을 제한하는 지속적인 바이어스에 기여한다. 본 연구는 강화학습(RL)을 사용하여 진화하는 모델 상태의 함수로 매개변수화 방식의 구성 요소를 온라인으로 학습하는 프레임워크를 제시하고, 단순 기후 바이어스 보정(SCBC), 복사-대류 평형(RCE), 단일 에이전트 및 연합 다중 에이전트 설정의 연평균 에너지 균형 모델(EBM)에 걸친 이상화된 테스트베드에서 정책 기반 매개변수 갱신을 평가한다. 9개 RL 알고리즘 중 Truncated Quantile Critics(TQC), Deep Deterministic Policy Gradient(DDPG), Twin Delayed DDPG(TD3)가 가장 높은 스킬과 안정적인 수렴을 달성했으며, 성능은 면적 가중 RMSE, 온도 및 기압면 진단을 사용해 정적 기준선 대비 평가되었다. EBM의 경우 단일 에이전트 RL이 정적 매개변수 조정을 능가했으며, 열대 및 중위도 대역에서 가장 큰 이득을 보였고, 다중 에이전트 설정에서의 연합 RL은 특화된 제어와 더 빠른 수렴을 가능하게 했으며, 빈번한 집계를 사용하는 6-에이전트 DDPG 구성이 열대 및 중위도 전역에서 가장 낮은 면적 가중 RMSE를 산출했다. 학습된 보정은 또한 물리적으로 의미 있었는데, 에이전트가 EBM 복사 매개변수를 조절하여 자오(meridional) 바이어스를 줄였고, RCE 기온 감률(lapse rate)을 조정하여 수직 온도 오차에 맞췄으며, 가열 증분을 안정화하여 드리프트를 제한했다. 전반적으로 결과는 RL이 이상화된 설정에서 효과적인 상태 의존 매개변수화 구성 요소를 학습할 수 있음을 보여주며, 수치 모델 내 온라인 학습을 위한 확장 가능한 경로와 날씨 및 기후 모델에서의 평가를 위한 출발점을 제공한다.

arXiv:2607.04190v1cs.LG

기상 다운스케일링을 위한 합성곱 신경 프로세스 탐구

Exploring Convolutional Neural Processes for Weather Downscaling

ConvCNP(합성곱 조건부 신경 프로세스)를 활용해 ERA5-Land의 약 11km 해상도 일 최고기온 데이터를 스위스 전역에서 약 1km 해상도로 통계적 다운스케일링하는 방법을 연구하며, 고해상도 지형 특징(swisstopo DHM25)을 결합한 최적 모델이 쌍선형 보간 대비 CRPS 스킬 점수 0.524, 평균 절대 오차 1.31°C를 달성해 예측 오차를 절반 이상 감소시켰다. 에이블레이션 실험에서 고도 MLP가 필수 구성 요소임이 확인되었고, 격자 외 관측소 데이터에 대한 제로샷 적용과 불확실성 보정 과신은 실용 배포를 위해 해결해야 할 핵심 과제로 지적되었다.

arXiv:2607.03298v1cs.LG

지구 시스템 파운데이션 모델을 위한 통합 데이터셋

A harmonised dataset for Earth system foundation models

기후·육지·해양·빙권·인프라·재해·사회경제 데이터를 통합한 지구 시스템 파운데이션 모델 학습용 데이터셋이 부재한 문제를 해결하기 위해, 수백 개의 환경 및 사회경제 변수를 표준화된 0.25° 격자와 연간 시간 체계로 정렬한 통합 글로벌 데이터셋 WorldTensor를 제안한다. WorldTensor는 재분석, 원격 탐사, 배출량 목록, 수문 관측, 에너지 인프라, 자연재해, 사회경제 지표 등을 머신러닝 워크플로에 적합한 NetCDF 형식으로 통합하여, 환경-인간 시스템 결합 역학을 행성 규모에서 학습하는 파운데이션 모델의 학습 및 평가를 위한 재현 가능한 자원을 제공한다.

arXiv:2510.27066v3physics.ao-ph

극한 기상 특성화를 위한 AI 기반 희귀 사건 샘플링

AI-boosted rare event sampling to characterize extreme weather

AI 기상 에뮬레이터와 고충실도 물리 기후 모델을 희귀 사건 샘플링(RES) 알고리즘으로 결합한 AI+RES 프레임워크를 제안하며, 기존 방법으로는 연구하기 어려운 수천 년 주기의 극한 열파 통계를 100배 낮은 계산 비용으로 정확하게 추정한다. AI 에뮬레이터의 앙상블 예측을 RES의 점수 함수로 활용함으로써 기존 지속성 기반 RES가 실패하던 블로킹 구동 열파와 같은 복잡한 대기 현상도 효과적으로 샘플링할 수 있음을 보인다.

arXiv:2606.30821v1cs.LG

Mind the Residual Gap: Probabilistic Downscaling under Real-World Bias

Probabilistic downscaling is the task of modeling the conditional distribution of high-resolution fields given coarse inputs, and is a central challenge to atmospheric science, climate modeling, and other multiscale physical systems. A widely used paradigm decomposes the problem into a deterministic mean predictor followed by a stochastic residual generator. While effective in idealized settings, this mean--residual approach frequently produces biased and under-dispersive ensembles in real-world applications. Is this merely generic predictive uncertainty miscalibration? We show that the root cause is more fundamental: residual target misspecification, the residual distribution induced during training differs systematically from the one required at test time due to downscaling bias. To close this gap, we introduce ReMatch (Residual Distribution Matching). ReMatch aligns the training residual distribution toward the test-time regime via optimal transport in a low-dimensional PCA space. This preserves the statistical benefits of the mean--residual framework while reducing the train--test mismatch in the residual targets seen by the stochastic generator. On a controlled synthetic benchmark with varying bias levels and a real-world HRRR--ERA5 wind field downscaling task, ReMatch substantially reduces under-dispersion, improves calibration (SSR and CRPS), and outperforms strong baselines, including the standard mean--residual model and its variants, as well as state-of-the-art super-resolution models. Our code is available at https://github.com/sdean-group/ReMatch.git.

arXiv:2606.28546v1cs.LG

NIVA: 실행 가능한 지구 시스템 인텔리전스를 위한 멀티모달 파운데이션 모델

NIVA: A Multimodal Foundation Model for Actionable Earth System Intelligence

AI 기반 날씨 및 기후 모델링의 최근 발전은 계산 비용을 줄이면서 예보 정확도를 향상시켰습니다. 그러나 기존의 데이터 기반 접근법은 약 2주 이후의 예측 가능성을 연장하는 데 필요한 지구 시스템의 결합 역학을 모델링하는 능력에 한계가 있습니다. 이를 해결하기 위해 우리는 지구 시스템 구성 요소 전반에 걸쳐 통합된 표현을 학습하도록 설계된 멀티모달 파운데이션 모델인 NIVA를 소개합니다. 전체 프레임워크는 대기, 해양, 빙하, 육지 간의 상호작용을 목표로 하지만, 여기서는 파운데이션 모델이 결합 역학을 학습할 수 있는지 평가하기 위한 통제된 개념 증명으로 두 가지 모달리티 설정(해양 및 대기)에 집중합니다. 대규모 지구 시스템 시뮬레이션으로 학습된 NIVA는 물리적으로 의미 있는 크로스 모달 구조를 학습하여 계절 이하-계절 예측(subseasonal-to-seasonal prediction)의 기반을 제공합니다. 초기 검증으로, NIVA가 주요 기후 지수의 정확한 예측을 통해 기후 변동성의 핵심 모드를 포착함을 보여줍니다.

arXiv:2606.11793v1cs.LG

AI4Land: 전 지구적 고해상도 토지 이용 재구성을 위한 확장 가능한 심층 학습

AI4Land: Scalable Deep Learning for Global High-Resolution Land Use Reconstruction

지상 탄소 순환의 불확실성은 기후 예측의 주요 제약 요소로 남아 있으며, 이는 부분적으로 지구 시스템 모델에서 지표 표현 및 변동성에 영향을 미치는 불확실성에 기인합니다. 이러한 제약을 해결하기 위해, 우리는 주요 지표 변수의 고해상도 과거 재구성 및 미래 예측을 생성하는 데이터 기반 프레임워크인 AI4Land를 제시합니다. 이 프레임워크는 U-Net 아키텍처를 사용하는 2단계 접근 방식을 따릅니다. 본 연구의 초점인 첫 번째 단계에서는 저해상도 시나리오 데이터와 정지 지구물리학적 특징을 통합하여 연간 토지 이용 및 토지 피복을 재구성합니다. 계획된 두 번째 단계에서는 생성된 고해상도 맵을 사용하여 더 세밀한 시간 규모로 동적 생물물리학적 변수, 특히 엽면적 지수를 예측할 것입니다. 지구 관측 데이터로 학습된 모델들은 공간적으로 명시적이고 물리적으로 일관된 지표 패턴을 재현하도록 학습하며, 직접적인 관측이 부족한 기간으로 시간적 범위를 확장합니다. AI4Land는 MareNostrum5에서 개발 및 학습되었으며, 이는 GPU 가속 HPC 인프라가 전 지구적 규모의 기후 AI 파이프라인을 어떻게 가능하게 하는지를 보여줍니다. 최종 산출물은 Destination Earth 이니셔티브하에서 개발된 것과 같은 디지털 트윈 플랫폼과의 실시간 결합을 위해 설계된 오픈 소스 에뮬레이터 모음입니다. 이 작업은 사실적이고 진화하는 지표 조건을 요청 시 제공함으로써, 중요한 불확실성을 줄이고 차세대 기후 시뮬레이션의 예측력을 향상시키는 것을 목표로 합니다.