Nonlinearly Coupled Permafrost Dynamics From Graph Neural Networks

북극해의 얼음 섞인 바닷물 아래, 수백 미터의 퇴적물 속에 숨겨진 이 곳에는 지구의 최근 과거를 간직한 거대한 냉동 유산이 잠들어 있습니다. 이것은 해저 영구 동토층으로, 과거 마지막 빙하기 동안 차가운 공기에 노출되어 건조했던 육지였다가 해수면이 상승하면서 침수된 토양층입니다. 오늘날, 이 얼어붙은 땅은 해양 온도가 상승함에 따라 서서히 녹고 있으며, 이 과정은 물이 토양을 통해 흐르고, 열이 암석을 통해 이동하며, 염분이 용해 및 이동하고, 얼음이 녹고 다시 얼어붙는 복잡하고도 보이지 않는 춤을 포함합니다. 이 얼어붙은 층이 수천 년에 걸쳐 어떻게 변화하는지 이해하는 것은 매우 중요한데, 왜냐하면 이 층의 붕괴가 해저를 불안정하게 만들고, 해저 인프라를 위협하며, 갇혀 있던 메탄 가스를 대양으로 방출할 수 있기 때문입니다. 그러나 이러한 변화를 시뮬레이션하는 것은 과학자들에게 기념비적인 과제였습니다. 이 시스템을 지배하는 물리 법칙이 너무나 정교하여, 단 하나의 위치에 대한 미래를 예측하기 위해 단 하나의 컴퓨터 모델을 실행하는 데만 수 시간의 집중적인 컴퓨팅 파워가 소요되었고, 이는 전체적인 가능성의 범위를 이해하기 위해 필요한 수천 번의 시뮬레이션을 수행하는 것을 거의 불가능하게 만들었습니다.

이러한 병목 현상을 해결하기 위해, 텍사스 대학교 오스틴 캠퍼스의 연구진은 단 몇 분의 1초 만에 이 얼어붙은 땅의 거동을 예측할 수 있는 새로운 종류의 인공지능을 개발했습니다. 전통적인 계산기처럼 복잡한 물리 방정식을 단계별로 푸는 대신, 그들은 머신러닝 시스템이 시간이 지남에 따라 지표가 어떻게 변하는지의 패턴을 학습하도록 훈련시켰습니다. 그들은 컴퓨터가 압력, 온도, 염분 농도, 그리고 얼음 함량이 어떻게 함께 진화하는지를 배울 수 있도록 40만 년의 기간을 아우르는 수천 개의 북극 해저 시뮬레이션 역사를 입력했습니다. 그 결과, 현실 세계의 '빨리 감기' 버전인 디지털 대리 모델(digital surrogate)이 탄생했으며, 이는 놀라운 정확도로 영구 동토층의 미래 상태를 예측할 수 있습니다. 테스트에서 이 새로운 시스템은 얼어붙은 땅의 상세한 거동을 재현해 냈으며, 느리고 신중한 물리 시뮬레이션과 거의 완벽하게 일치하면서도 수천 배 더 빠르게 작동했습니다.

연구진은 열과 물이 한 토양 층에서 다음 층으로 이동하는 방식과 유사하게, 인접한 지점들 사이의 관계를 이해하도록 설계된 유형의 신경망을 사용하여 이 도구를 구축했습니다. 그들은 이 시스템을 PermaCycleGNS라고 불렀습니다. 이를 훈련시키기 위해, 그들은 현재 이러한 환경을 모델링하는 데 있어 '골드 스탠다드(표준)'로 통하는 PermaCycle라는 고정밀 물리 시뮬레이터를 사용했습니다. 물리 시뮬레이터는 매 아주 작은 시간 단계마다 물, 열, 염분의 상호작용을 계산해야 하기 때문에 단 하나의 시나리오를 실행하는 데 몇 시간이 걸립니다. 반면, 새로운 AI 모델은 물리 시뮬레이터의 데이터로부터 이러한 상호작용의 '규칙'을 학습한 다음 이를 즉각적으로 적용합니다. 연구진은 두 가지 유형의 과제로 AI를 테스트했습니다. 첫째, 훈련 중에 보았던 것과 유사한 시나리오를 예측하게 하여, 알려진 사례들 사이를 보간(interpolation)할 수 있는지 확인했습니다. 둘째, 극한의 상황으로 몰아붙여, 매개변수가 이전에 본 적 없는 극단적인 경계 조건에서의 시나리오를 예측하게 했습니다.

결과는 AI가 단순히 빠른 계산기가 아니라 강력한 예측기임을 보여주었습니다. 표준 테스트 케이스에서 AI의 압력, 온도, 염분 수치 예측는 물리 시뮬레이터의 결과와 믿기 힘들 정도로 근접했으며, 오차는 측정하기 어려울 정도로 작았습니다. 가장 예측하기 어려운 부분은 토양 내 얼음의 양이었는데, 이는 얼음이 부드러운 변화가 아닌 날카롭고 갑작스러운 폭발적 형태로 형성되고 녹기 때문입니다. 그럼에도 불구하고 AI는 결빙과 해빙 이벤트의 타이밍과 깊이를 포착하며 우수한 성능을 보였습니다. 연구진이 보지 못한 극한의 시나리오로 모델을 테스트했을 때도, AI는 정확도를 유지하며 단순히 훈련 데이터를 암기한 것이 아니라 근본적인 물리학을 진정으로 학습했음을 입증했습니다. 이러한 까다로운 극한 사례에 대한 오차율은 표준 사례보다 약간 높았을 뿐이며, 이는 모델이 북극이 제시할 수 있는 전체 범위의 조건을 다룰 수 있음을 증명합니다.

이 성공의 핵심은 연구진이 AI에게 자신의 실수를 처리하는 법을 가르치기 위해 사용한 특정 훈련 기법에 있었습니다. 보통 컴퓨터가 일련의 사건을 예측할 때, 초기의 아주 작은 오차는 시간이 흐름에 따라 점점 커져 결국 예측을 망치게 됩니다. 연구진은 AI가 한 번에 여러 단계를 앞서 내다보도록 훈련시켜, 예측이 너무 커지기 전에 스스로 드리프트(drift, 편차)를 수정하는 법을 배우도록 강제했습니다. '커리큘럼(curriculum)'이라고 알려진 이 방법은 얼음 포화도의 급격한 변화를 추적하는 모델의 능력을 크게 향에 개선했습니다. 이 기술이 없었다면 얼음에 대한 모델의 정확도는 훨씬 낮았을 것입니다. 이 기술 덕분에 AI는 40만 년의 전체 타임라인 동안 얼어붙은 땅의 상태를 명확하게 유지할 수 있었으며, 정규화된 오차 1,000분의 1 미만으로 물리 시뮬레이터의 출력을 일치시켰습니다.

기존 방식과 새로운 방식의 속도 차이는 경이로운 수준입니다. 전통적인 물리 시뮬레이터가 표준 컴퓨터 프로세서에서 단 하나의 시뮬레이션을 실행하는 데 약 5시간이 걸리는 반면, 새로운 AI 모델은 강력한 그래픽 카드를 사용하여 동일한 40만 년의 예측을 단 몇 초 만에 완료할 수 있습니다. 만약 연구진이 많은 시뮬레이션을 동시에 실행하여 병렬로 처리한다면, 속도 향상은 더욱 극적여져 전통적인 방식보다 거의 20만 배 더 빨라집니다. 이러한 속도의 도약은 과학자들이 할 수 있는 일을 변화시킵니다. 이제 과학자들은 무엇이 일어날지에 대한 대략적인 아이디어를 얻기 위해 몇 개의 시뮬레이션만 실행하는 대신, 기후, 토양, 해양 조건의 모든 가능한 변형을 탐구하기 위해 수천 또는 수백만 개의 시뮬레이션을 실행할 수 있습니다. 이를 통해 그들은 상세한 민감도 연구를 수행하여 어떤 요인이 가장 중요한지 정확히 이해하고, 이전에는 불가능했던 수준의 세부 사항으로 예측의 불확실성을 정량화할 수 있습니다.

연구진은 현재 모델이 해저의 1차원 단면, 즉 단일 수직 토양 기둥만을 나타낸다는 한계가 있음을 인정합니다. 실제 해저는 복잡한 3차원 지형이며, 다음 단계는 이 기술을 더 넓은 영역으로 확장하는 것입니다. 또한 그들은 현재 모델이 지중에 자유 가스가 포함되어 있지 않다고 가정하고 있으며, 이는 모든 실제 시나리오에 맞추기 위해 향후 버전에 추가될 수 있는 조건이라고 언급했습니다. 이러한 제한에도 불구하고, 이 연구는 이 모델에 사용된 구조가 유사한 물리 법칙에 의해 지배되는 다른 복잡한 지구 시스템에도 적용될 수 있을 만큼 유연하다는 것을 보여줍니다. 느리고 비용이 많이 드는 물리 시뮬레이션을 빠르고 정확한 머신러닝 에뮬레이터로 대체할 수 있는 능력은, 연구자들이 컴퓨팅 파워의 한계에 구애받지 않고 우리 행성의 과거와 미래에 대해 더 깊은 질문을 던질 수 있는 새로운 지구 과학의 시대를 열어줍니다. 북극 아래의 얼어붙은 땅은 더 이상 천천히 풀어야 할 미스터리가 아니라, 실시간으로 탐구할 수 있는 시스템이 되어 다가올 변화에 대한 더 명확한 전망을 제공하고 있습니다.