기후 에뮬레이션을 위한 최적 시나리오 설계
Optimal scenario design for climate emulation
한국어 초록
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.
원문 초록
As deep learning for physical systems continues to grow in popularity, efforts to improve generalizability have primarily focused on designing architectures that embed physical constraints. However, for machine-learning surrogate climate models (emulators), we show that the low structural diversity in existing scenarios commonly used to generate training data places a ceiling on predictive skill. Here, we examine whether training datasets themselves can be optimized to improve generalization. We introduce a method to create datasets that produce emulators capable of generalizing to new, structurally different scenarios absent from the training data. We use a differentiable Simple Climate Model (SCM) to calculate the sensitivity of emulator loss to perturbations in the training data, iteratively updating the training data to maximize emulator skill. For an SCM, training on one scenario optimized in this fashion outperforms an emulator trained on six standard ScenarioMIP pathways. We achieve this higher predictive skill despite training on a smaller dataset, finding that our emulator successfully isolates distinct physical behaviors of different climate forcing agents (e.g., greenhouse gases vs. aerosols) without single-forcing runs. We then demonstrate that scenarios optimized using an SCM, when used to drive an intermediate-complexity climate model, produce a training dataset that yields a more skillful emulator than training on ScenarioMIP outputs. Our results suggest that, in the compute-constrained environment of running full-scale climate models, generating a small number of dynamically rich scenarios provides greater marginal value for emulation and characterizing system responses than expanding the suite of traditional emissions pathways.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.19302v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
부분적 센서 중첩 하의 기계 간 CNC 전이를 위한 월드 모델
World Models for Cross-Machine CNC Transfer under Partial Sensor Overlap
산업용 월드 모델은 동역학, 센싱 인터페이스, 명령 규약이 서로 다른 기계 사이를 옮겨 다녀야 한다. 본 연구는 미래 샘플을 재구성하는 대신 공정의 미래 표현을 예측하도록 학습된 명령 조건부 잠재 월드 모델이 한 번도 보지 못한 기계에서도 가치를 유지하는지를 묻는다. 소스 CNC 기계는 17개 센서 채널을 제공하고, 타깃은 그중 10개를 공유한다. 모든 모델 선택은 소스 데이터만 사용하며, 확정된 구성은 타깃에서 한 번만 평가한다. 두 가지 결과가 뒤따른다. 첫째, 잠재 예측 사전학습은 처음부터 맞춘 학습과 동등한 설정에서 도메인 내 예측 향상을 가져오지 않으므로, 소스 정확도만으로는 그러한 표현의 가치를 알 수 없다. 둘째, 전이된 모델은 보지 못한 기계에서 지속(persistence) 예측을 이기지만(타깃 평균 대비 $R^2\approx0.01$) 각 입력 윈도우를 자체 통계로 정규화하는 공식 예측기에는 뒤처진다. 실행 전에 선언된 잠금 후 ablation은 이 입력 정규화만으로 격차를 메운다는 것을 보여 주며, 격차를 메우는 데는 예측 보정(calibration) 비용이 든다. 따라서 부분적 센서 중첩 하의 기계 간 전이는 명령 조건부 월드 모델을 위한 별도의 평가 축이다.
FMOPF: AC 최적 전력 흐름을 위한 제약 인식 상호작용 사전 기반 잠재 플로우 매칭
FMOPF: Latent Flow Matching with Constraint-Aware Interaction Priors for AC Optimal Power Flow
AC 최적 전력 흐름(OPF)은 비선형 전력 평형 제약 하에서 최소 비용 발전 배치를 결정하며, 전력 시장 운영에서 하루에 수천 번 풀린다. 부하 조건에서 OPF 해법으로의 직접 매핑을 학습하면 이 계산을 가속할 수 있지만, 재생에너지 침투가 심화되면서 단일 최적 배치만으로는 더 이상 충분하지 않다. 운영자는 위험 정량화, 민감도 분석, 다목적 트레이드오프 평가를 위해 실행 가능한 근최적 해법 분포의 특성화가 필요하다. 지도 학습 신경망은 빠른 점 예측을 제공하지만 이 조건부 분포를 포착할 수 없다. 확산 기반 생성 모델은 원칙적으로 다양한 해법을 샘플링할 수 있지만, 원시 상태 공간에서 동작하는 기존 방법은 해법 품질이 저하되고 중간 규모 시스템 이상으로 확장하지 못한다. 우리는 근본 원인을 단일 모델 내에서 두 가지 서로 다른 과제가 혼재된 것으로 확인했다. 고차원 OPF 해법 매니폴드를 압축하는 것이 한 과제이고, 부하에서 그 매니폴드로의 조건부 매핑을 학습하는 것이 또 다른 과제이다. 본 논문은 잠재 플로우 매칭(latent flow matching)을 통해 압축과 생성을 분리하고, Constraint-Aware Interaction Prior Network를 통해 부하-상태 결합을 명시적으로 모델링함으로써 이러한 혼재를 해소하는 프레임워크인 FMOPF를 제안한다. 4개 IEEE 테스트 시스템에서의 실험은 FMOPF가 가장 효과적인 Newton-Raphson 웜 스타트(warm start)를 제공하고, 생성 방법 중 최저 꼬리 위험(tail risk)을 달성하며, 완전한 실행 가능성을 유지하면서 수백 개 버스(bus) 규모 시스템까지 확장 가능한 최초의 방법임을 보여준다. Ablation 연구는 잠재 생성 파이프라인이 물리적 실행 가능성의 필요 조건이며, 상호작용 사전(prior)이 후단 꼬리 위험 제어기로 기능함을 확인한다.
CAPT: 칼슘 군집 역학의 데이터셋 간·종 간 전이를 가능하게 하는 다중 과제 연속 자기회귀 트랜스포머
CAPT: A Multi-task Continuous Autoregressive Transformer enabling Cross-dataset and Cross-species Transfer for Calcium Population Dynamics
대규모 칼슘 이미징은 신경 군집 역학을 위한 파운데이션 스타일 모델을 구축할 기회를 만들었지만, 한 가지 핵심 질문은 여전히 해결되지 않았다: \textbf{한 기록 모음으로 사전학습한 모델이 새로운 데이터셋, 실험 패러다임, 심지어 종까지 일반화할 수 있는지 여부이다.} 기존 접근법은 종종 특정 과제에 맞춰 설계되고 단일 데이터셋에서 평가되어, 학습된 표현이 새로운 칼슘 trace 데이터셋에 재사용 가능한지 불분명하다. 이 공백을 해소하기 위해, 칼슘 군집 역학을 위한 \textbf{C}ontinuous \textbf{A}utoregressive \textbf{P}opulation \textbf{T}ransformer인 \textbf{CAPT}를 제안한다. CAPT는 연속 패치 토큰화 전략을 통해 연속 칼슘 trace를 직접 모델링하며 자기회귀적으로 학습되어, 엔드투엔드 사전학습과 다양한 다운스트림 과제에의 적응을 가능하게 한다. 먼저 대규모 마우스 칼슘 이미징 데이터셋에서 CAPT를 사전학습하고, 서로 다른 연구실에서 수집한 독립적인 마우스, 유충기 제브라피시, \textit{C. elegans} 데이터셋에 걸친 전이 가능성을 평가한다. 이러한 전이 설정에서, 사전학습된 백본은 고정하고 적응 모듈만 업데이트한다. 신경 군집 예측 및 행동 디코딩 과제 전반에 걸쳐, CAPT는 특화 및 범용 베이스라인을 일관되게 능가한다. 예측 성능과 함께, \textit{C. elegans} 데이터셋의 NeuroPAL 주석을 이용한 다중모달 분석은 CAPT 임베딩이 데이터셋 간 공유 기능 공간을 형성하고 해부학적 세포 동일성 관련 구조를 포착함을 보여준다. 이 결과는 연속 자기회귀 모델링이 데이터셋, 실험 패러다임, 종에 걸쳐 일반화할 수 있는 칼슘 이미징용 범용 신경 파운데이션 모델을 향한 단순한 경로의 가능성을 열어준다는 것을 시사한다.
제2회 LoViF 2026 실세계 올인원 이미지 복원 챌린지: 방법과 결과
The Second LoViF 2026 Challenge on Real-World All-in-One Image Restoration: Methods and Results
본 논문은 실세계 올인원(all-in-one) 이미지 복원을 주제로 한 제2회 LoViF 챌린지에 대한 리뷰를 제시한다. 이 챌린지는 흐림, 저조도, 안개, 비, 눈 등 다양한 실세계 열화(degradation) 조건에서 통합 이미지 복원을 발전시키는 것을 목표로 한다. 통합 프레임워크 내에서 여러 열화 유형에 걸친 모델의 복원 정확도, 견고성(robustness), 일반화(generalization) 능력을 평가하기 위한 공통 벤치마크를 제공한다. 대회에는 158명의 등록 참가자가 참여했으며, 제출된 결과가 성공적으로 재현 및 검증된 후 20개 팀이 최종 순위에 포함되었다. 본 보고서는 제출된 솔루션과 해당 결과에 대한 포괄적인 분석을 제공하며, 실세계 올인원 이미지 복원 분야의 최근 진전을 강조한다. 요약된 방법과 실증적 발견은 효과적인 설계 전략을 드러내고, 실세계 저수준(low-level) 비전 분야의 향후 연구를 위한 업데이트된 벤치마크를 확립한다.
도메인 일반화를 위한 Projection Pursuit CPCANet
Projection Pursuit CPCANet for Domain Generalization
도메인 일반화(DG)는 분포 변화에 강건한 표현을 학습하는 것을 목표로 한다. CPCANet과 같은 최근의 기하학적 정렬 방법들은 배치 단위 공통 주성분 분석(CPCA)을 통해 도메인 불변 구조를 추출한다. 그러나 CPCANet은 미니배치 학습에서의 소표본 문제로 인해 계수 결손(rank-deficient) 공분산 추정의 한계를 겪는다. 이 한계를 해결하기 위해, 우리는 Stiefel 다양체 위에서 전역 직교 기저를 학습하고 Cayley 변환을 통해 네트워크 파라미터와 함께 공동 최적화하는 공분산-무(covariance-free) 프레임워크인 Projection Pursuit CPCANet(PP-CPCANet)을 제안한다. 또한 우리는 밀집하고 강건한 최적화 신호로 공통 주성분(CPC)을 추출하기 위해 대칭성 깨기(symmetry-breaking) 분리-중앙값(detached-median) PP 분산(dispersion) 목적함수를 도입한다. 4개의 DG 벤치마크에서의 실험은 PP-CPCANet이 안정적인 학습을 유지하면서 SOTA 성능을 달성함을 보여준다.
Sensitivity Analysis of the Transformation Using a Parameterized CEC 2017 Benchmark
토론
이 논문과 연결된 포럼 글이 아직 없습니다.