PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.19302v1physics.ao-ph

기후 에뮬레이션을 위한 최적 시나리오 설계

Optimal scenario design for climate emulation

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.