arXiv:2605.14285v3 eess.IV

ForcingDAS: 확산 포싱을 통한 통합 및 강건한 데이터 동화

ForcingDAS: Unified and Robust Data Assimilation via Diffusion Forcing

Yixuan Jia, Siyi Chen, Yida Pan, Xiao Li, Lianghe Shi, Chanyong Jung, Haijie Yuan, Ismail Alkhouri, Yue Cynthia Wu, Saiprasad Ravishankar, Jeffrey A Fessler, Qing Qu

제출 2026-05-14

한국어 초록

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.

원문 초록

Data assimilation (DA) estimates the state of an evolving dynamical system from noisy, partial observations, and is widely used in scientific simulation as well as weather and climate science. In practice, filtering methods rely on frame-to-frame transition models. However, these models are fragile when observations are non-Markovian (when they form only a partial slice of a higher-dimensional latent state as in real-world weather data): they tend to accumulate errors over long horizons. At the same time, learned DA methods typically commit to a single regime, either filtering (nowcasting, real-time forecasting) or smoothing (retrospective reanalysis), which splits what should be a shared prior across application-specific pipelines. To address both issues, we introduce ForcingDAS, a unified and robust DA framework. Built on Diffusion Forcing with an independent noise level assigned to each frame, ForcingDAS learns a joint-trajectory prior instead of frame-to-frame transitions. This allows it to capture long-horizon temporal dependencies and reduce error accumulation. In addition, the same trained model spans the full filtering to smoothing spectrum at inference time. Specifically, nowcasting, fixed-lag smoothing, and batch reanalysis are selected through the inference schedule alone, without retraining. We evaluate ForcingDAS on 2D Navier-Stokes vorticity, precipitation nowcasting, and global atmospheric state estimation. Across all settings, a single model is competitive with or outperforms both learned and classical baselines that are specialized for individual regimes, with the largest gains observed on real-world weather benchmarks.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2605.14285v3

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.07756v2cs.LG공통 태그 Denoising, Time Series Forecasting

관성 가둠 핵융합 예측을 위한 분해 유도 확산 언어 모델

Decomposition-Guided Diffusion Language Models for Inertial Confinement Fusion Prediction

관성 가둠 핵융합(ICF)은 청정에너지를 향한 유력한 경로이지만, 국립점화시설(National Ignition Facility)에서의 샷(shot)당 비용이 수백만 달러에 달하여 정확한 AI 대리 모델(surrogate) 개발은 가치가 매우 높은 목표입니다. 본 논문에서는 과거 반응 관측 없이 레이저 펄스와 타깃 설계 파라미터로부터 512단계의 중성자 발생률 진단을 직접 추론해야 하는 외생 변수 기반 ICF 파형(waveform) 예측을 연구합니다. 이러한 체계는 시간적 희소성(sparsity, 나노초 단위 윈도우 내 피코초 단위 피크), 입출력 스케일 불일치(300회 미만의 실제 샷), 피크 민감도(피코초 단위 타이밍)로 인해 기존 시계열 예측 모델에 큰 부담을 줍니다. 이에 본 연구는 우리가 아는 한 최초의 언어 모델 기반 ICF 예측기인 ICF-DLM을 제안합니다. 이 모델은 (i) 수율 $Y_{DT}$, 피크 타이밍 $t_{\mathrm{peak}}$, 국소 파형 $w_{\mathrm{local}}$로의 물리 유형화된 분해, (ii) 피크 위치에 대한 결정을 유예하는 양방향 노이즈 제거(denoising), (iii) 숫자 토큰 전반에 걸쳐 메트릭 구조를 재주입하는 물리 기반 PPO 보상(reward)을 결합합니다. ICFBench(5만 개 시뮬레이션 + 232개 실험 샷)에서 ICF-DLM은 동일 조건의 자기회귀 LLaMA-3-8B 대비 피크 타이밍 오차를 11.6스텝에서 9.2스텝으로 줄였으며, 기존 시퀀스 모델 및 LLM 기반 시계열 예측 모델보다 우수한 성능을 보였습니다. ICF를 넘어, 본 방법론은 데이터가 적고 희소한 이벤트가 발생하는 과학 분야 문제를 해결할 잠재력을 보여줍니다.

arXiv:2608.09972v2physics.ao-ph공통 태그 Time Series Forecasting, Weather Forecasting

AI 기상 모델은 극값을 놓치는가?

Do AI weather models miss extremes?

AI 기상 모델은 극값(extremes)을 과소평가한다고 자주 보고되지만, 대부분의 증거는 재분석 자료를 기준으로 검증된 결정론적 회귀 모델에 해당합니다. 본 연구에서는 10개월간의 유럽 관측소 데이터를 활용하여 ECMWF IFS와 비교하며 12개의 물리적 및 AI 예측 모델을 평가(evaluation)합니다. 이번 평가는 고정된 ERA5 1991-2020 기후학에서 정의된 체제 내에서 10m 풍속, 2m 기온, 태양 복사, 강수량을 다룹니다. 연구 결과, 꼬리(tail) 영역에서 AI 모델 고유의 일관된 성능 저하는 발견되지 않았습니다. 여러 AI 모델은 극한 조건에서도 IFS보다 더 높은 정확도를 유지한 반면, 다른 모델들은 현저히 저하되었으며, 물리적 모델들 사이에서도 이와 유사한 편차가 나타났습니다. 그럼에도 불구하고 모든 모델은 낮은 관측치는 과대예측하고 높은 관측치는 과소예측하는 공통적인 조건부 오차 패턴을 보입니다. 따라서 극값의 감쇠가 상대적 기술 점수(relative skill)의 일률적인 손실을 의미하는 것은 아닙니다. 꼬리 영역의 성능은 예측이 AI에 의해 생성되었는지 혹은 물리적 수치 모델링에 의해 생성되었는지보다는 모델, 변수 및 평가 환경에 따라 달라집니다.

arXiv:2610.02511v1cs.LG공통 태그 Time Series Forecasting, Weather Forecasting

자기회귀 기상 모델의 사후 학습 양자화

Post-Training Quantization of Autoregressive Weather Models

고해상도 수치 예보(NWP) 및 자료 동화(DA)의 발전은 대기 역학을 모사하는 심층 학습(DL) 아키텍처의 발전을 이끌어왔습니다. 일기 예보용 에뮬레이터는 수일에서 계절 내(subseasonal) 시간 규모로 확장되는 예측 기간에서 물리 기반 모델에 필적하는 예보 품질을 보여줍니다. 이러한 에뮬레이터는 자기회귀 추론에서 하드웨어 가속 행렬 곱을 기반으로 구동되어 수치 예보에 필요한 계산 시간과 자원을 크게 줄여줍니다. GPU 아키텍처에서 행렬 곱 연산 과정을 최적화하면 고해상도 영역으로 확장할 기회를 제공하며, 즉시 사용 가능한(out-of-the-box) 솔루션의 구현을 가능하게 합니다. 사후 학습 양자화(PTQ)는 여러 심층 학습 아키텍처 전반에서 전력 소모를 줄이면서도 단위 시간당 계산 횟수를 가속화하고 늘려 엣지 하드웨어에서의 응용을 가능하게 하는 것으로 입증되었습니다. 본 연구에서는 전 지구 규모 일기 예보를 위한 사전 학습된 AI 에뮬레이터에 PTQ가 미치는 영향을 조사합니다. 지구물리 유체역학 응용을 위한 개념 증명(proof of concept)으로서 DLWP(Deep Learning Weather Prediction) 및 FourCastNet(FCN) 모델에 PTQ 알고리즘을 구현합니다. 우리는 단기 예측 기간에 걸쳐 에뮬레이터 추론에 미치는 PTQ의 영향을 체계적으로 조사합니다. 시뮬레이션 양자화를 사용한 PTQ 구성 평가는 단기 기간에 걸쳐 정성적으로 유의미한 예보 가능성을 시사합니다. 이러한 결과는 자기회귀 기상 에뮬레이터에 대한 PTQ의 첫 번째 벤치마크이자 동역학계 대상 심층 학습 모델의 양자화 기반 최적화를 위한 기초를 제공합니다.

arXiv:2609.27290v1cs.AI공통 태그 Time Series Forecasting, Weather Forecasting

기후 인식 디지털 트윈을 위한 물리정보 신경망 기반 희소 관측 대기 열 예측

Sparse-Observation Atmospheric Thermal Forecasting with Physics-Informed Neural Networks for Climate-Aware Digital Twins

기후 인식 디지털 트윈 시스템을 지원하려면 단기 대기 온도 예측이 필요하지만, 열 관측이 불완전한 곳에서도 그러한 예측을 생성해야 한다. 본 연구는 위치온도(potential temperature) 예측을 위해 압력 좌표 열역학적 이류-원(source) 방정식과, 직전 12시간 구간에서 적합한 후 미래 시점 학습 전에 고정(freeze)한 비단열(diabatic) 원 폐쇄(closure)로 제약하는 물리정보 신경망(physics-informed neural network)을 평가한다. 세 개 압력 레벨에서 시간별 ERA5 재분석을 사용하여, 모델은 1·2·3시간 선행(lead time)에서 지속(persistence), 국지 추세(local-trend), 그리고 동일한 미래 기상 forcing을 PINN과 같이 받는 신경망 기준선 하나를 포함한 두 개의 대응(match) 신경망 기준선과 비교하는 조건부 후향 예측(hindcast)으로 평가되어, 물리적 제약과 미래 forcing 접근의 효과를 구분하는 데 도움이 된다. 오클라호마 개발 사례에서 가장 강한 기준선 대비 평균 RMSE 개선은 1시간에서 8.1%에서 3시간에서 23.8%까지 증가했으며, 후보 위치의 5%까지 관측 밀도 스weep을 내린 희소성 조건에서도 3시간 우위는 14.6–16.9%로 유지되었고, 밀도가 낮을수록 성능이 개선된다는 증거는 없었다. 알abama 열 이벤트로 고정 프로토콜을 이전하고 세 가지 가상 관측 배치를 적용한 경우, 3시간 개선은 19.7–24.4% 범위였고 origin 수준에서 일관된 우위가 있었다. 고정 압력 레벨이 복잡 지형과 교차하는 몬타나 스트레스 테스트에서는 3시간 성능이 대략 17.5% 악화되어, 해당 formulation의 지형 관련 적용 한계를 드러냈다. 종합하면, 물리 제약의 이점은 예측 horizon이 길어질수록 커지고, 심각한 관측 희소성에서도 유지되며, 지역 간 전이되지만, 복잡 지형 위에서 고정 수직 좌표 표현의 타당성에 의해 한계가 있으며, 이는 기후 인식 예측 및 디지털 트윈 시스템의 물리 제약 구성요소와 관련된 근거이다.

arXiv:2607.22548v1cs.AI공통 태그 Denoising, Time Series Forecasting

SeT-Diff: HPC 텔레메트리 및 시계열을 위한 의미 기반 파운데이션 모델

SeT-Diff: Towards Semantic Foundation Models for HPC Telemetry and Time-Series

데이터센터와 그 컴퓨트 노드는 워크로드, 환경 매개변수, 물리적 지표 간의 복잡한 상호작용을 모델링할 수 있는 정확하고 유연한 디지털 트윈이 필요하다. 현재 HPC 및 그 텔레메트리를 위한 머신러닝 접근법은 일반적으로 단일 작업에 맞춰진 익명의 고정 위치 센서 변수의 정적 부분집합에 의존한다. 결과적으로, 목표 작업이 변경되거나 센서 지표가 달라지면 이러한 모델은 더 이상 유효하지 않게 된다. 우리는 컴퓨트 노드 텔레메트리 및 시계열을 위한 최초의 파운데이션 모델인 SeT-Diff를 제안한다. 경직된 아키텍처와 달리, 우리의 확산(diffusion) 기반 접근법은 각 센서의 의미적 설명에 생성 과정을 조건화하여 시스템 역학을 데이터셋의 구조로부터 분리한다. 실제 슈퍼컴퓨터 데이터셋에 대한 실험은 재구성 작업에서 평균 절대 오차(MAE) 0.0470을 보여준다. SeT-Diff는 제로샷(zero-shot) 순열 안정성을 보이며, 센서 순서가 섞여도 정확도를 미미한 저하만으로 유지한다. 단일 사전학습 모델이 데이터 보간(imputation), 예측(forecasting), 가상 센싱(virtual sensing)을 효과적으로 수행하며 — 열 추론에서 0.033 MAE를 달성 — SeT-Diff를 HPC 시스템을 위한 효과적인 데이터 기반 디지털 트윈으로 만든다.

arXiv:2607.22599v1cs.AI공통 태그 Denoising, Time Series Forecasting

시계열 예측을 위한 불확실한 구성 요소를 향한 확산 궤적의 차분화

Differencing the Diffusion Trajectory toward Uncertain Components for Time Series Forecasting

확산 모델은 확률적 시계열 예측을 위한 널리 사용되는 프레임워크가 되었으며, 관측된 과거 이력을 조건으로 미래 값의 분포를 모델링한다. 그러나 시계열 예측에서 미래는 관측된 과거 이력의 연속이므로, 표준 확산 과정이 다루지 못하는 비대칭성이 생긴다. 저주파로 변하는 내용은 관측된 연속성에 의해 대부분 결정되는 반면, 고주파 역학이 잔여 불확실성의 대부분을 담는다. 기존 확산 기반 예측기는 생성 전 외부 규칙을 통해 이 비대칭성을 분리하지만, 이로 인해 오염(corruption) 궤적은 이력이 이미 목표의 어떤 부분을 고정(anchor)할 수 있는지를 알지 못한다. 우리는 DiffDiff를 제안한다. DiffDiff는 이러한 예측 가능성 비대칭성을 확산 궤적 자체에 내재화하여, 단일 end-to-end 확산 과정이 목표의 어떤 부분을 이력이 이미 고정할 수 있는지 인식하도록 하는 확산 프레임워크이다. DiffDiff는 순방향 연산자를 스텝 의존적으로 만들어, 노이즈가 섞인 중간 상태가 목표 자체에서 2차 차분 구조로 점진적으로 이동하도록 한다. 동시에 조건화 경로(conditioning pathway)는 각 확산 스텝마다 단계 적응형 게이트(stage-adaptive gate)로 균형을 맞춘 값 영역(value-domain) 및 차분 이력 정보를 디노이저(denoiser)에 제공한다. 종단 분포는 표준 가우시안에 수렴하여 기존 샘플러와의 호환성을 유지한다. 네 개의 예측 구간에 걸친 7개 벤치마크에서 DiffDiff는 6개의 확산 기준선(baseline)을 능가하며, 분석 결과 DiffDiff가 이력에 의해 고정된 내용을 재구성하는 부담을 덜면서 목표의 가장 불확실한 구성 요소에 확산의 생성 노력을 집중함을 확인한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.