Data driven non-equilibrium moist phase exchanges for atmospheric convection within a discontinuous Galerkin model of the compressible Euler equations

대기를 끊임없이 날씨를 요리해내는 보이지 않는 요리사들이 가득한 거대한, 소용돌이치는 주방이라고 상상해 보세요. 이 주방에서 물은 단순한 물이 아닙니다. 물은 기체(수증기), 액체(비 또는 구름 입자), 고체(얼음)가 될 수 있는 변신술사입니다. 이러한 형태 변화는 뇌우, 허리케인, 심지어 화요일의 부드러운 비를 만들어내는 비밀 소스입니다. 하지만 까다로운 점은, 물이 한 형태에서 다른 형태로 언제, 얼마나 빨리 변하는지를 정확히 예측하는 것이 매우 어렵다는 것입니다. 전통적인 기상 모델은 이 문제를 해결하기 위해 모든 미세한 조리 과정을 계산하는 느리고 꼼꼼한 레시피처럼 복잡한 수학 방정식들을 사용하는 방식으로 접근합니다. 이 방식은 정확하지만, 그 레시피들이 너무나 많은 계산량을 요구하기 때문에 내일의 날씨를 예측하려는 슈퍼컴퓨터의 속도를 늦출 수 있습니다. 과학자들은 물리 법칙의 풍미를 잃지 않으면서도 이러한 '상변화'를 더 빠르고 똑똑하게 처리할 수 있는 방법을 항상 찾고 있습니다.

여기서 새로운 접근 방식이 등장하는데, 이는 마치 수천 개의 요리 영상을 보고 다음 단계를 즉각적으로 추측하는 법을 배운 요리 견습생와 같습니다. 데이비드 리(David Lee)와 버뮤도라 기상청 및 호주 국립대학교 팀의 최근 연구는 신경망이라 불리는 인공지능을 사용하여 이러한 물의 변형을 학습하는 방법을 탐구합니다. 매번 무거운 수학 방정식을 푸는 대신, AI는 공기의 현재 상태(온도, 밀도, 수분량)를 보고 얼마나 많은 물이 비나 얼음으로 변해야 하는지를 즉각적으로 예측합니다. 연구진은 이 AI를 고해상도 기상 모델 데이터로 훈련시켰는데, 이 모델은 열대성 폭풍을 시뮬레이션합니다. 이를 통해 AI는 단순히 추측하는 것이 아니라, 우주의 에너지 균형을 존중하는 방식으로 추측하도록 열역학(열과 에너지의 법칙)의 규칙을 배웠습니다. 그 결과, 이 시스템은 전통적인 방식보다 훨씬 빠르게 구름과 폭풍의 형성을 시뮬레이션하면서도, 시스템의 에너지를 완벽하게 유지하여 시뮬레이션이 물리 법칙을 "깨뜨리지" 않도록 합니다.

폭풍의 레시피

연구진이 무엇을 해결하려고 했는지 이해하려면 먼저 우리가 해결하려는 문제를 살펴봐야 합니다. 현실 세계에서 따뜻한 공기 덩어리가 상승하면 온도가 낮아집니다. 공기가 식으면서 그 안의 수증기는 액체 상태의 물이나 얼음이 되고 싶어 합니다. 이 과정에서 열이 방출되며, 이는 공기 덩어리를 더욱 빠르게 상승시켜 강력한 상승 기류를 만들어냅니다. 이것이 바로 뇌우의 엔진입니다.

전통적인 기상 모델에서 정확히 얼마나 많은 수증기가 액체로 변하고 얼마나 많은 양이 얼음으로 변하는지를 파악하는 것은 골칫거리입니다. 모델은 모든 픽셀에 대해 온도와 압력이 모든 물의 상(phase)에 대해 동일하도록(이를 '열역학적 평형' 상태라고 합니다) 매 순간마다 복잡한 퍼즐을 풀어야 합니다. 이는 마치 천 개의 작은 무게추가 달린 저울을 매번, 모든 픽셀마다 반복해서 균형을 맞추려는 것과 같습니다. 이는 정확하지만, 특히 모든 작은 구름이 중요한 '서브 킬로미터(sub-kilometer)' 규모의 정밀한 폭풍을 예측하려 할 때는 컴퓨터를 실행하기에 매우 느리고 비용이 많이 듭니다.

논문의 저자들은 다른 질문을 던졌습니다: 만약 매번 무거운 수학 퍼즐을 풀지 않고도 컴퓨터가 이러한 변화의 패턴을 인식하도록 가르칠 수 있다면 어떨까? 그들은 디지털 뇌인 신경망을 훈련시켜 수증기, 액체, 얼음 사이의 '질량 교환'을 학습하기로 했습니다. 신경 네트워크를 숙련된 요리사(정교한 기상 시뮬레이터인 LFRic 모델)가 6시간 동안 요리하는 모습을 지켜본 학생이라고 생각해 보세요. 학생은 단순히 레시피를 암기한 것이 아니라, 요리의 '감각'을 익혔습니다. 공기가 차갑고 밀도가 높아지면 일정량의 수증기가 액체로 변해야 하고, 조금 더는 얼음으로 변할 수도 있다는 것을, 그러면서도 주방의 총 에너지는 일정하게 유지해야 한다는 것을 배운 것입니다.

훈련과 테스트

연구진은 호주 다윈 지역의 열대성 폭풍 시뮬레이션 데이터를 사용하여 AI를 훈련시켰습니다. 그들은 신경망에 온도, 밀도, 다양한 형태의 수분량 데이터를 입력하고, 수분이 한 형태에서 다른 형태로 변하는 비율을 예측하도록 요청했습니다. AI가 단순히 엉뚱한 것을 만들어내지 않도록, 연구진은 훈련 과정에 특별한 '손실 함수(loss function)'를 구축했습니다. 이는 학생의 숙제를 채점하는 엄격한 선생님과 같습니다. 선생님은 두 가지를 확인합니다. 첫째, 물의 질량에 대한 수학적 계산이 맞는가(물이 마법처럼 사라지지는 않았는가)? 둘둘째, 에너지 균형이 맞는가?

여기서 핵심적인 혁신은 AI가 '열역학적으로 일관되게' 설계되었다는 점입니다. 이는 AI가 빠른 추측을 하더라도 에너지는 생성되거나 소멸될 수 없다는 규칙을 반드시 따라야 함을 의미합니다. 만약 AI가 수증기가 얼음으로 변한다고 예측한다면, 에너지 방정식을 균형 있게 유지하기 위해 정확히 얼마만큼의 열이 방출되는지, 그리고 엔트로피(시스템의 무질서도 또는 '어지러움'의 척도)가 어떻게 변하는지를 반드시 계산해야 합니다. 연구진은 네트워크를 믿을 수 없을 정도로 높은 정밀도로 훈련시킬 수 있었으며, 예측 오차는 거의 제로($6.5 \times 10^{-13}$)에 가까웠습니다. 이 아주 작은 숫자는 AI가 물리학을 거의 완벽하게 학습했음을 의미합니다.

거품 실험

이 새로운 AI 기반 방식이 실제 기상 시뮬레이션에서 실제로 작동하는지 확인하기 위해, 팀은 테스트 케이스를 설정했습니다. 그들은 차가운 대기 속으로 상승하는 따뜻하고 습한 공기 주머니인 '습윤 거품(moist bubble)'을 만들었습니다. 그들은 이 시뮬레이션을 두 번 실행했습니다. 한 번은 새로운 AI 방식(물 상들이 즉각적인 완벽한 균형 상태에 있지 않다고 가정하는 '화학적 비평형' 상태를 포함)을 사용하여, 다른 한 번은 모든 것을 완렴한 균형 상태로 강제하는 전통적인 느린 방식을 사용하여 실행했습니다.

결과는 흥미로웠습니다. AI로 시뮬레이션된 거품은 기존의 잘 알려진 테스트 케이스와 매우 유사한 방식으로 상승하고 진화했습니다. 거품의 가장자리에서는 수증기가 액체로, 중심부에서는 얼음으로 꾸준히 전환되는 모습을 보였습니다. 그러나 전통적인 '평형' 방식으로 시뮬레이션된 거품은 훨씬 더 빠르게 상승했습니다. 왜일까요? 전통적인 방식은 물이 얼자마자 즉시 얼음이 되어 엄청난 열을 한꺼번에 방출한다고 가정하기 때문입니다. 실제 세상의 '비평형' 특성을 존중하는 AI 방식은 더 점진적이고 현실적인 전이를 보여주었습니다. 물은 즉시 얼음으로 툭 변하는 것이 아니라, 시간을 두고 천천히 열을 방출하며 변했습니다.

결정적으로, 연구진은 에너지 균형을 확인했습니다. AI 시뮬레이션에서 시스템의 총 에너지는 완벽하게 보존되었으며, 오차는 사실상 존재하지 않는 수준($10^{-15}$ 정도)이었습니다. 이는 AI가 단순히 빠른 추측을 하는 것이 아니라, 빠르고 정확하며 물리적으로 정직한 추측을 하고 있음을 증명합니다. 반면, 전통적인 평형 방식은 이 특정 테스트에서 열역학 제2법칙을 위반하여, 증가해야 할 엔트로피(무질서도)가 오히려 감소하는 현상을 보였는데, 이는 고립된 시스템에서 물리적으로 불가능한 일입니다.

이것이 의미하는 바

이 연구는 구름의 복잡한 화학 작으로 신경망을 사용하는 것이 기상 예측의 게임 체인저가 될 수 있음을 시사합니다. 고해상도 데이터를 통해 상변화의 패턴을 학습함으로써, AI는 매 단계마다 복잡한 평형 방정식을 푸는 무거운 계산 비용 없이도 매우 미세한 규모의 폭풍을 시뮬레이션할 수 있습니다. 연구진은 이 방법이 물리 법칙을 준수하고, 에너지를 균형 있게 유지하며, 현재 많은 모델에서 사용되는 '즉각적 균형' 가정보다 더 현실적인 결과를 만들어낸다는 것을 발견했습니다.

비록 이것은 시뮬레이션이며 아직 완전한 규모의 기상 예보 단계는 아니지만, 결과는 유망합니다. 저자들은 향ate에 이 신경망이 실제 기상 모델의 무거운 미세물리 계산을 대체할 수 있을 것이라고 제안합니다. 이를 통해 컴퓨터는 더 빠르게 실행될 수 있으며, 잠재적으로 우리에게 더 정확하고 상세한 악기예보를 제공할 수 있을 것입니다. 또한 이 연구는 AI 모델이 경계 조건과 같은 다른 요소들을 포함한 데이터로 훈련되더라도 항상 열역학 제2법칙을 준수하도록 보장하는 미래의 방향성을 제시합니다. 이는 우리의 기상 모델이 단순히 더 빨라지는 것을 넘어, 더 똑똑해지고 대기의 혼돈스럽고 아름다운 현실과 더 잘 조화를 이루는 미래를 향한 한 걸음입니다.