정확한 매체

Apr 14, 2024

Nature 619권, 533~538페이지(2023)이 기사 인용

106k 액세스

4 인용

1534 알트메트릭

측정항목 세부정보

일기예보는 과학과 사회에 중요합니다. 현재 가장 정확한 예측 시스템은 수치 기상 예측(NWP) 방법으로, 대기 상태를 이산화된 격자로 표현하고 해당 상태 간의 전이를 설명하는 편미분 방정식을 수치적으로 풀어냅니다1. 그러나 이 절차는 계산 비용이 많이 듭니다. 최근 인공지능 기반 방법2은 일기예보를 수십 배로 가속화할 수 있는 잠재력을 보여 주었지만 예측 정확도는 여전히 NWP 방법에 비해 상당히 낮습니다. 여기서는 정확한 중거리 지구 일기예보를 위한 인공지능 기반 방법을 소개합니다. 우리는 지구별 사전 예측을 갖춘 3차원 심층 네트워크가 기상 데이터의 복잡한 패턴을 처리하는 데 효과적이며 계층적 시간 집계 전략이 중거리 예측에서 누적 오류를 줄이는 것을 보여줍니다. 39년간의 글로벌 데이터를 기반으로 훈련된 당사 프로그램인 Pangu-Weather는 유럽 중거리 기상 센터의 운영 통합 예측 시스템인 세계 최고의 NWP 시스템과 비교할 때 테스트된 모든 변수의 재분석 데이터에 대해 더 강력한 결정론적 예측 결과를 얻습니다. 예측(ECMWF)3. 우리의 방법은 극한 기상 예보 및 앙상블 예보에도 잘 작동합니다. 재분석 데이터로 초기화하면 열대저기압 추적 정확도도 ECMWF-HRES보다 높다.

일기예보는 특히 극단적인 기상 현상과 관련하여 미래의 날씨 변화를 예측하는 것을 목표로 하는 과학 컴퓨팅의 중요한 응용 프로그램입니다. 지난 10년 동안 고성능 컴퓨팅 시스템은 수치 기상 예측(NWP) 방법1 분야의 연구를 크게 가속화했습니다. 기존 NWP 방법은 주로 편미분 방정식(PDE)을 사용하여 이산화된 대기 상태 그리드 간의 전이를 기술한 다음 수치 시뮬레이션을 통해 이를 해결하는 데 관심이 있습니다4,5,6. 이러한 방법은 속도가 느린 경우가 많습니다. 10일 예측에 대한 단일 시뮬레이션은 수백 개의 노드가 있는 슈퍼컴퓨터에서 계산하는 데 몇 시간이 걸릴 수 있습니다7. 또한 기존 NWP 알고리즘은 근사 함수를 사용하여 근사에 의해 오류가 발생할 수 있는 미해결 프로세스를 캡처하는 매개변수화에 크게 의존합니다8,9.

딥러닝10의 급속한 발전은 과학계에서 인공지능(AI) 기반 방법이라고 부르는 유망한 방향을 제시했습니다2,11,12,13,14,15,16. 여기서 방법론은 입력(특정 시점의 재분석 기상 데이터)과 출력(목표 시점의 재분석 기상 데이터) 사이의 관계를 파악하기 위해 심층 신경망을 훈련시키는 것입니다. 그래픽 처리 장치(GPU)와 같은 특수 컴퓨팅 장치에서 AI 기반 방법은 매우 빠릅니다. 최근 예를 들자면 FourCastNet2는 100명의 구성원으로 구성된 24시간 예측을 계산하는 데 단 7초가 소요됩니다. 이는 기존 NWP 방법보다 훨씬 빠른 속도입니다. 그러나 FourCastNet의 정확도는 여전히 만족스럽지 않습니다. 5일 Z500(500hPa 지리 전위) 예보의 RMSE(제곱 평균 오차)는 484.5로, 이는 유럽 중거리 기상 예보 센터의 IFS(운영 통합 예측 시스템)에서 보고한 333.7보다 훨씬 나쁩니다. (ECMWF)3. 최근 설문 조사17에서 연구자들은 AI가 큰 잠재력을 가지고 있다는 점에 동의했지만 AI 기반 방법이 NWP를 이길 수 있으려면 “많은 근본적인 혁신이 필요하다”고 인정했습니다.

이러한 혁신은 예상보다 일찍 일어나는 것 같습니다. 여기에서는 재분석 데이터에 대해 테스트된 모든 기상 변수에 대해 운영 IFS보다 더 강력한 결정론적 예측 결과를 생성하는 강력한 AI 기반 기상 예측 시스템인 Pangu-Weather('Pangu'라는 이름에 대한 설명 방법 참조)를 제시합니다. 우리의 기술적 기여는 두 가지입니다. 먼저, 심층신경망의 입력과 출력을 3차원으로 개념화할 수 있도록 높이 정보를 새로운 차원으로 통합했습니다. 우리는 심층 네트워크에 지구별 사전 변수를 주입하기 위해 3차원(3D) 지구별 변환기(3DEST) 아키텍처를 추가로 설계했습니다. 우리의 실험에 따르면 높이를 개별 차원으로 공식화한 3D 모델은 다양한 압력 수준에서 대기 상태 간의 관계를 포착할 수 있으므로 FourCastNet2와 같은 2차원 모델에 비해 상당한 정확도 향상을 얻을 수 있습니다. 둘째, 예측 리드 타임이 증가하면서 일련의 모델을 훈련하는 계층적 시간 집계 알고리즘을 적용했습니다. 이에 따라 테스트 단계에서는 중거리 기상예보에 필요한 반복횟수를 대폭 줄이고, 누적예보오차를 완화하였다. 5세대 ECMWF 재분석(ERA5) 데이터18에 대한 실험에서는 Pangu-Weather가 결정론적 예측 및 기상 이변 예측에 뛰어나면서도 운영 중인 IFS보다 10,000배 이상 빠르다는 사실이 검증되었습니다.