arXiv:2609.27290v1 cs.AI

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

Tannaz Goodarzvand Chegini, Elyas Shivanian, Behzad Karimi, Faraz Dadgostari

제출 2026-09-24

한국어 초록

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.

원문 초록

Short-horizon forecasts of atmospheric temperature are needed to support climate-aware digital-twin systems, but such forecasts must be produced where thermal observations are incomplete. This study evaluates a physics-informed neural network for potential-temperature forecasting, constrained by a pressure-coordinate thermodynamic advection-source equation and a diabatic-source closure fit from the preceding 12-hour period and frozen before future-time training. Using hourly ERA5 reanalysis at three pressure levels, the model is evaluated as a conditional hindcast at lead times of one, two and three hours against persistence, local-trend, and two matched neural-network baselines, one of which receives the same future meteorological forcing as the PINN, helping distinguish the physical constraint from access to future forcing. In an Oklahoma development case, mean RMSE improvement over the strongest baseline grew from 8.1\% at one hour to 23.8\% at three hours; under an observation-density sweep down to 5\% of candidate locations, this 3-hour advantage remained 14.6--16.9\%, with no evidence that lower density improves performance. Under a fixed protocol transferred to an Alabama heat event with three virtual-observation layouts, three-hour improvement ranged 19.7-24.4\% with consistent origin-level wins. A parallel Montana stress test, in which fixed pressure levels intersected complex terrain, produced a three-hour degradation of roughly 17.5\%, identifying a terrain-related applicability limit of the formulation. Together, these results indicate that the physics constraint's benefit grows with forecast horizon, persists under severe observation sparsity, and transfers across regions, but is bounded by the validity of a fixed vertical-coordinate representation over complex terrain, evidence relevant to physics-constrained components of climate-aware forecasting and digital-twin systems.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.27290v1제출 시각 미확인

함께 살펴볼 논문

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

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:2610.02255v1cs.LG공통 태그 Transfer Learning, Time Series Forecasting

MACTS-EM: 창발적 메모리를 활용한 다중 에이전트 협업 시계열 예측

MACTS-EM: Multi-Agent Collaborative Time Series Forecasting with Emergent Memory

시계열 예측(time series forecasting)은 여러 분야에서 여전히 중요한 과제로 남아 있다. 상당한 발전이 있었음에도, 기존 접근법들은 체제 전환(regime shift), 도메인 간 지식 전이, 멀티모달 데이터 통합과 같은 복잡한 현상을 다루는 데 어려움을 겪는다. 본 논문은 전문화된 에이전트들이 협업하여 우수한 예측 성능을 달성하는 새로운 프레임워크인 창발적 메모리를 활용한 다중 에이전트 협업 시계열 예측(Multi-Agent Collaborative Time Series Forecasting with Emergent Memory, MACTS-EM)을 소개한다. MACTS-EM 아키텍처는 다음을 통합한다: (1) 패턴 인식, 이상 탐지, 인과 추론, 불확실성 정량화를 위한 도메인 특화 예측 에이전트; (2) 동적 에이전트 할당을 위한 메타인지 층(meta-cognitive layer); (3) 도메인 간 패턴 전이를 가능하게 하는 창발적 메모리 메커니즘; (4) 멀티모달 맥락 통합; (5) 적대적 강건성(adversarial robustness) 구성 요소. 금융 시장, 기후 패턴, 에너지 소비, 전염병 확산에 대한 평가 결과, MACTS-EM은 대부분의 시나리오에서 기존 접근법을 능가하며, 예측 정확도에서 8-12%의 향상, 제로샷 전이 능력에서 22-27%의 개선, 체제 전환 시 복원력에서 16-21%의 강화, 분포 변화 이후 회복 속도에서 15-18%의 향상을 보였다. 본 연구 결과는 시계열 예측에 대한 협업적이고 에이전트 기반(agentic)인 접근법이 전통적인 아키텍처를 넘어서는 유망한 방향임을 시사하며, 다중 해상도의 시간적 이해와 맥락적 적응을 요구하는 복잡한 실세계 시나리오에서 특히 그렇다.

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:2609.26959v2cs.LG공통 태그 Transfer Learning, Time Series Forecasting

순환단전으로 인한 데이터 희소성 환경에서 태양광 발전을 예측하기 위한 컨포멀 분위수 회귀 결합 전이학습

Transfer Learning with Conformalized Quantile Regression for Solar PV Forecasting Under Load-Shedding-Driven Data Scarcity

순환단전(load shedding)의 영향을 받는 지역에서의 태양광(PV) 발전 예측은 신뢰할 수 있는 과거 관측 데이터가 부족하여 난도가 높습니다. 본 연구에서는 심각한 데이터 희소성 환경에서 태양광 발전 예측 성능을 향상시키고 신뢰성 있는 불확실성 추정치를 제공하기 위해 컨포멀 분위수 회귀(Conformalized Quantile Regression, CQR)와 결합된 전이학습(transfer learning) 프레임워크를 제안합니다. 호주 앨리스스프링스(Alice Springs)의 소스 도메인 태양광 데이터셋을 활용해 시계열 예측 모델을 사전학습(pre-training)한 후, 다양한 수준의 과거 데이터 가용성을 모사한 방글라데시 시뮬레이션 태양광 데이터에 이를 적응시킵니다. 실험 결과에 따르면, 전이학습은 타깃 도메인 데이터가 1개월치만 가용할 때 RMSE를 최대 23.7% 감소시켰으며, 3개월치의 데이터가 있을 때는 13.7% 감소시켰습니다. 제안된 전이학습 및 CQR 프레임워크는 3개월의 타깃 데이터로 94.3%의 경험적 커버리지(empirical coverage)를 달성하는 동시에, 전이학습을 적용하지 않은 경우보다 14% 더 좁은 예측 구간을 생성했습니다. 이러한 결과는 타깃 도메인의 태양광 데이터가 극히 제한적인 상황에서 전이학습과 컨포멀 불확실성 정량화의 결합이 점 예측 정확도와 불확실성 신뢰도를 모두 향상시킬 수 있음을 입증합니다.

arXiv:2609.16071v2cs.LG공통 태그 Transfer Learning, Time Series Forecasting

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.

arXiv:2609.27473v1cs.LG공통 태그 Transfer Learning, Time Series Forecasting

어디를 볼지 학습하기: 시계열 예측과 PPG 기반 생체 신호 재구성을 위한 공유 상대 정렬 모듈

Learning Where to Look: A Shared Relative-Alignment Module for Time-Series Forecasting and PPG-to-Vital-Sign Reconstruction

PPG 기반 생체 신호 재구성(PPG-to-vital-sign reconstruction)은 손목 착용형 광혈류측정기(PPG) 신호를 심전도(ECG)와 같은 임상 파형으로 변환합니다. 장기 다변량 시계열 예측(long-horizon multivariate time-series forecasting)은 에너지, 날씨, 교통 분야의 계획 수립을 뒷받침합니다. 두 작업 모두 조건 시퀀스로부터 타깃 시퀀스를 생성하지만, 기존 모델들은 각 타깃 위치가 조건 시퀀스를 어디서 읽어올지 동일 위치 복사 또는 계절적 재발과 같이 하드코딩하므로 작업 간 전이가 불가능합니다. 본 논문에서는 이러한 대응 관계를 학습하여 생체 신호 재구성과 시계열 예측을 모두 처리하는 단일 조건화 모듈인 ROOSTER를 제안합니다. 이 모듈의 핵심은 타깃-조건 오프셋에 대한 주기적 빗(periodic-comb) 바이어스로, 그 중심, 주기, 첨도(sharpness)가 헤드별로 학습되므로 하나의 모듈이 항등 정렬(identity alignment)이나 계절적 시차로 수렴하고 발견된 결과를 보고할 수 있습니다. PPG 기반 생체 신호 재구성에서 ROOSTER는 4개의 심박수 및 호흡수 벤치마크에서 기존에 발표된 베이스라인들을 능가했습니다. 다변량 시계열 예측에서는 4개의 벤치마크에서 최적의 예측 기간 평균 MSE를 달성했으며, 일치된 3개 시드 학습 하에 24개의 데이터셋-예측 기간 설정 중 20개에서 자신이 확장한 예측 모델보다 우수한 성능을 보였습니다. 절제 연구(ablation study)에 따르면 콘텐츠 매칭이 아닌 상대적 바이어스가 정렬을 주도한 것으로 나타났습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.