나비 효과를 미연에 차단하기: 자기회귀 기상 예측을 위한 자기 출력 미세조정(Self-Output Fine-Tuning, SOFT)
Nipping the Butterfly Effect in the Bud: Self-Output Fine-Tuning for Autoregressive Weather Prediction
장기 기상 예보는 대기 과학의 근본적인 과제이며, 자기회귀적 심층 학습 기상 예측(Deep Learning Weather Prediction, DLWP)이 주요 패러다임으로 부상했다. 자기회귀 파이프라인은 확장성과 유연성이 매우 높지만, 예측 오차는 긴 예보 구간에서 빠르게 증가한다. 본 연구에서는 이 오차 증가 현상을 이론적·실증적 관점 모두에서 분석한다. 분석 결과, 이러한 증가는 출력 오차와 입력 분포 변화 사이의 피드백 루프에 의해 촉진됨을 밝혔다. 구체적으로, 자기회귀 과정은 초기의 작은 출력 오차를 증폭시키고, 이는 후속 입력 분포를 점진적으로 왜곡하며, 대기 과학의 나비 효과를 연상시키고 궁극적으로 더 긴 구간에서 예보 정확도를 저하시킨다. 또한 이 분포 변화는 추론의 가장 이른 단계에서 기인하며, 첫 번째 자기회귀 단계만으로도 분포 외(out-of-distribution) 특성이 감지 가능함을 보였다. 이 문제를 완화하기 위해, 우리는 \textbf{Self-Output Fine-Tuning (SOFT)}를 제안한다. 이는 플러그 앤 플레이 전략으로, 모델 자체의 1-step 예측을 활용하여 첫 단계에서 발생하는 편향된 입력 분포를 보정한다. 광범위한 실험을 통해, 단순함에도 불구하고 SOFT가 장기 예보 과제에서 최첨단(state-of-the-art) 성능을 달성하고 예측 오차와 분포 불일치를 모두 크게 줄임을 입증했다. SOFT의 성공은 심층 학습 기상 예측의 근본적 파이프라인을 재검토하는 것의 중요성을 부각하며, 대기 과학을 위한 중요한 파이프라인 발전을 나타낸다.