Tianmu-TC: Physics-constraints Generative Artificial Intelligence for Global Tropical Cyclone Forecasting

열대 저기압은 지구상에서 가장 강력하고 파괴적인 힘 중 하나로, 해안선을 변화시키고 생명을 위협하는 격렬한 바람과 폭우를 몰고 올 수 있습니다. 이 폭풍들이 어디로 이동할지, 그리고 얼마나 강해질지를 예측하는 것은 수십 년 동안 과학자들에게 도전 과제가 되어 왔습니다. 대기는 혼돈스러운 시스템이며, 이는 초기 측정값의 아주 작고 거의 보이지 않는 오류가 시간이 흐름에 따라 거대한 실수로 커질 수 있음을 의미하는데, 이를 흔히 '나비 효과'라고 부릅니다. 이러한 불확실성에 대처하기 위해 기상학자들은 전통적으로 수천 개의 약간씩 다른 시나리오를 실행하여 가능한 결과의 범위를 만들어내는 복잡한 컴퓨터 시뮬레이션에 의존합니다. 이러한 방식은 안전을 위한 황금 표준이지만, 엄청난 컴퓨팅 능력을 요구하며, 종종 단 하나의 예보를 만드는 데 몇 시간이 걸리는 슈퍼컴퓨터를 필요로 하기에 실행 속도가 느리고 비용이 많이 듭니다.

최근 연구에서 상세히 다뤄진 새로운 접근 방식은 단순히 원시 데이터만을 학습하는 것이 아니라 물리학 법칙으로부터 배우는 유형의 인공지능을 사용하여 다른 길을 제시합니다. 제장 공업대학교(Zhejiang University of Technology)와 다른 기관들의 연구진이 이끄는 이 팀은 '티안무-TC(Tianmu-TC)'라고 불리는 시스템을 개발했습니다. 기존의 AI 모델들이 단순히 과거의 폭풍 패턴을 암기했던 것과 달리, 이 시스템은 폭풍이 어떻게 이동하고 변화하는지를 지배하는 물리적 규칙을 이해하도록 설계되었습니다. AI에게 이러한 자연적 제약 조건을 준수하도록 가르침으로써, 연구진은 훨씬 적은 불확실성을 가지고 빠르게 폭풍의 여러 가능한 미래를 생성할 수 있는 도구를 만들었습니다. 결과에 따르면, 이 물리 기반 AI는 전 세계의 열대 저기압의 경로와 강도를 놀라운 속도와 정확도로 예측할 수 있으며, 종종 주요 기상 기관들이 사용하는 가장 진보된 슈퍼컴퓨터 모델들을 능가하기도 합니다.

이 돌파구의 핵심은 AI가 대기의 혼돈을 처리하는 방식에 있습니다. 전통적인 AI 모델은 마치 사람들이 위치를 추측할 때 넓은 지역에 흩어져서 예측하는 것처럼 넓게 퍼진 예측치를 내놓는 경우가 많으며, 이는 폭풍이 실제로 어디를 타격할지 알기 어렵게 만듭니다. 이를 해결하기 위해 연구진은 AI의 학습 과정에 세 가지 구체적인 물리적 규칙, 즉 제약 조건을 도입했습니다. 첫째, 시스템은 폭풍의 이력을 존중하도록 강제되어, 어떤 새로운 예측도 폭풍이 이미 지나온 곳으로부터 논리적으로 이어지도록 합니다. 둘째, 시스템은 고기압 체계나 배를 안내하는 강물처럼 작용하는 풍향과 같이 폭풍을 조종하는 대규모 기상 패턴을 고려해야 합니다. 마지막으로, 아마도 가장 중요한 점은 AI가 폭풍의 내부 구조, 구체적으로 폭풍 내부에서 바람과 기압이 수직적으로 어떻게 변화하는지를 고려하도록 교육받았다는 것입니다. 이 세 가지 물리적 실체를 생성 과정에 엮어 넣음으로써, AI는 터무니없는 추측을 버리고 가장 물리적으로 타당한 결과에 집중하며 가능성을 좁혀 나가는 법을 배웁니다.

2017년부터 2023년까지 전 세계 해양의 폭풍 데이터를 대상으로 테스트했을 때, 티안무-TC는 제작자들조차 놀라게 할 정도의 정밀도를 보여주었습니다. 이 모델은 오로치 북서태평양의 데이터로만 학습되었음에도 불구하고, 특정 지역을 위해 재학습할 필요 없이 대서양, 인도양, 남반구의 폭풍을 예측하는 데 성공적으로 지식을 일반화했습니다. 유럽 중기 예보 센터(ECMWF) 및 기타 최상위 AI 모델들과의 직접적인 비교에서, 티안무-TC는 폭풍의 경로와 강도를 예측하는 데 있어 일관되게 더 작은 오차를 나타냈습니다. 예를 들어, 폭풍이 특이한 루프형 경로를 취하거나 강도가 급격히 변하는 경우, 이 새로운 모델은 기존의 일부 AI 시스템보다 예측 오차를 최대 6배까지 줄였습니다. 또한 현재의 많은 시스템이 놓치는 세밀한 수준으로 폭풍의 급격한 강화 및 약화를 예측해 냈습니다.

이 개발의 가장 놀라운 측면은 효율성입니다. 세계에서 가장 강력한 기상 모델들이 예보를 생성하기 위해 슈퍼컴퓨터와 몇 시간의 처리 시간을 필요로 하는 반면, 티안무-TC는 일반적인 그래픽 카드(많은 고사양 컴퓨터에서 발견되는 하드웨어) 한 장으로 단 1초 남짓한 시간에 예보를 생성할 수 있습니다. 이러한 속도는 정확도를 희생하면서 얻어진 것이 아닙니다. 오히려 이 모델은 가장 가능성이 높은 결과 주변에 밀집된 6개의 가능한 미래 경로를 생성하여, 예보관들에게 무엇을 기대해야 할지에 대한 명확하고 확신 있는 그림을 제공합니다. 연구진은 주변 대기에 대한 실시간 데이터가 누락된 경우에도 모델이 폭풍의 최근 이력에 의존하여 정확한 예측을 할 수 있다는 것을 발견했는데, 이는 데이터 스트림이 중단될 수 있는 실시간 비상 대응 상황에서 매우 중요한 기능입니다.

이 연구는 또한 폭풍의 경로와 강도 사이의 더 깊은 연관성을 밝혀냈습니다. 과학자들은 오래전부터 이 두 요소가 서로 관련되어 있다는 것을 알고 있었지만, 이 새로운 모델은 이들을 별개가 아닌 함께 예측하는 것이 훨씬 더 나은 결과를 가져온다는 것을 입증했습니다. AI는 폭풍의 강도가 해수 온도나 상층풍과 같은 자신이 지나가는 경로상의 특정 환경에 크게 의존한다는 것을 배웠습니다. 경로와 강도를 동시에 예측함으로써, 모델은 한 쪽의 정보를 사용하여 다른 쪽을 정교하게 다듬을 수 있었고, 더 일관되고 신뢰할 수 있는 예보를 만들어 냈습니다. 이 발견은 폭풍 예측의 미래가 더 크고 복잡한 모델을 만드는 것이 아니라, 날씨의 서로 다른 부분들 사이의 물리적 관계를 이해하는 더 스마트한 시스템을 설계하는 데 있음을 시사합니다.

이 작업의 영향은 단순히 화면 위의 더 나은 숫자를 넘어섭니다. 고품질의 앙상블 예보를 표준 하드웨어에서도 가능하게 함으로써, 이 기술는 자원이 부족한 지역도 부유한 국가들과 동일한 수준의 상세한 예보에 접근할 수 있도록 기상 예측을 민주화할 수 있습니다. 여러 가지 가능한 물리적으로 일관된 시나리오를 빠르게 생성하는 능력은 비상 관리자들이 갑작스러운 방향 변화나 풍속의 급격한 증가와 같은 특정 위협에 대비할 수 있는 더 많은 시간을 제공합니다. 연구진은 모델이 단기 예보에는 매우 효과적이지만, 대기의 본질적인 혼돈성 때문에 며칠 전의 폭풍을 예측하는 것은 여전히 어렵다는 점을 인정합니다. 그러나 티안무-TC의 성공은 인공지능을 물리학의 근본 법칙에 접목함으로써, 우리가 더 빠르고 저렴할 뿐만 아니라 더 신뢰할 수 있는 도구를 구축하여 열대 저기압의 분노로부터 공동체를 보호하는 새로운 방법을 제시할 수 있음을 시사합니다.