Probing forced responses and causality in data-driven climate emulators: conceptual limitations and the role of reduced-order models

기술 요약: 데이터 기반 기후 에뮬레이터의 강제 응답 및 인과성 탐색

문제 정의
기후 과학 및 응용 수학의 핵심 과제는 정적 통계량뿐만 아니라 외부 섭동에 대한 정확한 응답을 포착할 수 있는 다중 스케일 시스템용 데이터 기반 모델을 개발하는 것이다. 최근의 신경 기후 에뮬레이터들은 대기-해양 시스템의 전체 복잡성을 해결하려고 노력하고 있지만, 강제 응답(forced responses)을 재현하는 데 어려움을 겪는 경우가 많으며, 이는 그린 함수(Green's function) 실험과 같은 인과적 연구의 유용성을 제한한다. 정적 통계량을 재현하는 높은 숙련도가 섭동 실험에서의 정확한 응답을 보장하지는 않으며, 이는 분포 외(out-of-distribution) 기후 변화 시나리오로의 일반화 실패와 변수 간의 올바른 인과 관계 포착 실패로 이어진다. 본 논문은 특히 고차원 시스템의 부분 관측(partial observations)을 다룰 때 발생하는 순수 데이터 기반 모델링의 개념적 한계를 조사하고, 축소 차수 모델(reduced-order models, ROMs) 및 확률적 매개변수화(stochastic parameterizations)의 역할을 탐구한다.

방법론
본 연구는 단순화된 역학 시스템을 이용한 이론적 분석과 결합 기후 모델을 이용한 실제 적용이라는 두 가지 뚜렷한 단계로 진행된다.

1. 이론적 프레임워크 (트라이어드 모델):

   • 저자들은 지형적 흐름의 선형적이고 에너지 보존적인 이차 비선형성을 모사하며, 느린 시간 척도와 빠른 시간 척도가 명확히 구분되는 단순화된 확률적 "트라이어드 모델"(Majda et al.)을 활용한다.
   • 시나리오: 두 가지 모델링 시나리오를 테스트한다: (i) 전체 상태 벡터가 완전히 관측된 미지의 방정식, (ii) 단일 스칼라 변수만 관측된 부분 관측 상태 벡터의 미지의 방정식.
   • 모델: 저자들은 신경 확률 에뮬레이터(비선형 드리프트를 위해 다층 퍼셉트론 사용)를 훈련시키고 이를 선형 역 모델(linear inverse models, LIMs)과 비교한다. 또한 가법적(additive) 노이즈와 승법적(multiplicative, 상태 의존적) 노이즈 정식화 모두를 테스트한다.
   • 평가 지표: 단순히 정적 통계량(PDF, 자기상관)에 의존하는 대신, 모델은 **선형 응답 이론(Linear Response Theory)**을 사용하여 평가된다. 구체적으로, 충격 응답 연산자(impulse response operator)를 재현하는 능력을 평가한다. 이는 앙상블 평균과 분산이 작은 충격 섭동 및 특정 시간 의존적 강제력에 어떻게 반응하는지를 측정하는 과정을 포함한다.

2. 실제 적용 (패턴 효과):

   • 저자들은 "패턴 효과(pattern effect)"—즉, 해수면 온도(SST) 온난화 패턴과 대기 상단(TOA) 복사 플럭스 사이의 인과적 연결—를 조사하기 위해 축소 차수 확률 신경 모델을 개발한다.
   • 데이터 및 조립(Coarse-Graining): GFDL-CM4 결합 기후 모델의 600년 산업 전(pre-industrial) 제어 실행 데이터를 사용하여 조립된 상태 벡터를 정의한다. 여기에는 다음 과정이 포함된다:
     • 월 평균화 및 계절 주기 제거.
     • 다십년 주기 진동을 제거하기 위한 고역 통과 필터링(High-pass filtering).
     • 열대 SST 장을 첫 20개의 경험적 직교 함수(EOF)로 투영.
     • 전 지구 평균 순 TOA 복사 플럭스를 스칼라 변수로 포함.
   • 모델 정식화: 에뮬레이터는 랑주뱅 방정식(Langevin equation) 구조를 따른다: $dx = (Lx + n(x))dt + \Sigma(x)dW$. 여기서 드리프트는 신경망을 통해 학습되며, 노이즈 공분산 $\Sigma(x)$는 승법적(상태 의존적) 노이즈로서 역시 신경망을 통해 학습된다.
   • 검증: 모델은 강제된 SST 궤적(1pctCO2 및 4xCO2 실험)으로부터 TOA 플럭스를 재구성하는 능력과, SST 모드에 충격 섭동을 가하여 인과적 민감도 지도를 추론하는 그린 함수 유사 실험을 수행하는 능력을 바탕으로 테스트된다.

주요 기여 및 결과

• 전체 관측의 한한계: 전체 상태 벡터가 관측되는 이상적인 경우, 신경 확률 에뮬레이터는 정적 통계량과 충격 응답 연산자(분산 응답 포함)를 모두 성공적으로 재현할 수 있다. 그러나 선형 모델은 분산 응답을 전혀 포착하지 못한다.
• 부분 관측의 결정적 역할: 현실적인 시나리오처럼 일부 변수만 관측될 때, 에뮬레이터의 성공 여부는 다음 두 가지 요소에 결정적으로 달려 있다:
  1. 변수의 선택: 적절한 느린 변수를 식별하는 것은 쉽지 않고 비유일한 작업이다. 빠른 모드를 직접 모델링하면 실패로 이어진다.
  2. 확률적 매개변수화: 관측되지 않은 빠른 변수들의 누적 효과는 반드시 매개변수화되어야 한다. 본 연구는 승법적 노이즈가 올바른 정적 분포와, 특히 섭동에 대한 분산의 응답을 포착하는 데 필수적임을 입증한다. 가법적 노이즈 모델은 유의미한 분산 응답을 재현하는 데 실패한다.
• 조립 및 마르코프화(Coarse-Graining and Markovianization): 본 논문은 명확한 척도 분리가 없는 경우, 메모리 효과를 억제하고 축소 차수 시스템을 효과적으로 마르코프적(Markovian)으로 만들기 위해 적절한 조립(예: 시간 평균화)이 필요함을 강조한다.
• 실제 적용의 성공: 축소 차수 신경 에뮬레이터는 지배적인 SST 모드(ENSO)와 전 지구 평균 TOA 플럭스의 정적 통계량을 성공적으로 재현한다. 또한 강제된 시나리오(1pctCO2 및 4xCO2)에서의 TOA 플럭스 변화를 정확하게 재구성한다.
• 인과 추론: 충격 섭동을 적용함으로써, 모델은 열대 태평양에서 쌍극자(dipole) 형태의 민감도 지도(서태평양의 음의 민감도, 동태평양의 양의 민감도)를 추론하며, 이는 기존의 물리적 메커니즘(구름 피드백)과 일치한다. 이는 에뮬레이터가 물리적으로 일관된 인과 메커니즘을 포착하고 있음을 확인시켜 준다.
• 식별된 한계: 모델은 자기상관의 감쇄를 완전히 포착하지 못하며(잔여 비마르코프 동작 시사), 분산 응답은 승법적 노이즈 항의 훈련에 민감하여 높은 정확도를 위해 현재 가용한 것보다 더 많은 데이터를 요구한다.

의의 및 주장
본 논문은 신경 에뮬레이션 분야가 모든 척도를 해결하려는 범용 에뮬레이터를 넘어 이동해야 한다고 주장한다. 대신, 변수 선택과 조립을 가이드하기 위해 사전 물리 지식을 활용하는 과업 특화적 축소 차수 모델을 옹호한다.

• 프레임워크로서의 응답 이론: 저자들은 데이터 기반 모델을 평가하기 위한 엄격한 프레임워크로서 선형 응답 이론과 충격 응답 연산자를 제안한다. 이 접근 방식은 정적 지표($R^2$ 등)를 넘어 인과 메커니즘과 외부 개입에 대한 시스템의 응답을 조사하는 단계로 나아간다.
• 확률성의 필수성: 관측되지 않은 자유도가 존재하는 다중 스케일 시스템에서 결정론적 모델은 불충분하다. 상태 의존적(승법적) 노이즈를 포함하는 것은 단순한 임의의 추가가 아니라, 올바른 확률 분포와 섭동에 대한 응답을 포착하기 위한 이론적으로 정당화된 필수 요소이다.
• 인과적 이해: 본 연구는 잘 설계된 축소 차수 신경 에뮬레이터가 전체 기후 모델에서는 계산적으로 불가능한 수천 번의 섭동 실험(그린 함수 연구)을 수행할 수 있음을 보여줌으로써, 기후 과학의 인과 추론 및 기여 분석을 진전시킬 수 있음을 입증한다.

결론적으로, 본 논문은 데이터 기반 모델링이 부분 관측 환경에서 근본적인 제약에 직면해 있지만, 확립된 축소 차수 모델링 전략을 유연한 신경 아키텍처 및 응답 이론과 결래함으로써 기후 역학을 이해하고 예측하기 위한 원칙적인 경로를 제공한다고 밝히고 있다.