ForcingDAS: 확산 포싱을 통한 통합 및 강건한 데이터 동화
ForcingDAS: Unified and Robust Data Assimilation via Diffusion Forcing
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.