[논문 리뷰] A Generative Adversarial Network for Climate Tipping Point Discovery (TIP-GAN)

Jennifer Sleeman, David Chung외 11명|arXiv (Cornell University)|2023. 02. 16.

Ecosystem dynamics and resilienceEnvironmental Science인용 수 3

한 줄 요약

이 논문은 TIP-GAN을 소개한다. TIP-GAN은 생성적 적대적 네트워크로, 생성기와 판별기를 활용하여 기후의 전환점 상태를 식별한다. 생성기는 임계 임계값 근처의 모델 설정을 생성하도록 훈련되고, 판별기는 서rogate 기후 모델을 사용하여 전환점 상태를 탐지한다. 이 방법은 아틀라스 해류 순환(AMOC) 붕괴 임계값 근처의 불확실성 영역에 샘플링을 집중시키는데 성공하였으며, 세 개의 생성기를 사용할 경우 생성된 샘플의 98.7%가 불확실성 영역 내에 포함되었고, 훈련된 판별기는 오라클에 의존하지 않고도 99% 이상의 F1 스코어를 기록하였다.

ABSTRACT

We propose a new Tipping Point Generative Adversarial Network (TIP-GAN) for better characterizing potential climate tipping points in Earth system models. We describe an adversarial game to explore the parameter space of these models, detect upcoming tipping points, and discover the drivers of tipping points. In this setup, a set of generators learn to construct model configurations that will invoke a climate tipping point. The discriminator learns to identify which generators are generating each model configuration and whether a given configuration will lead to a tipping point. The discriminator is trained using an oracle (a surrogate climate model) to test if a generated model configuration leads to a tipping point or not. We demonstrate the application of this GAN to invoke the collapse of the Atlantic Meridional Overturning Circulation (AMOC). We share experimental results of modifying the loss functions and the number of generators to exploit the area of uncertainty in model state space near a climate tipping point. In addition, we show that our trained discriminator can predict AMOC collapse with a high degree of accuracy without the use of the oracle. This approach could generalize to other tipping points, and could augment climate modeling research by directing users interested in studying tipping points to parameter sets likely to induce said tipping points in their computationally intensive climate models.

연구 동기 및 목표

• 고차원적이고 계산에 소요되는 많은 시간이 걸리는 지구시스템 모델에서 기후 전환점을 식별하는 데 도전하는 것.
• 폭력적인 시뮬레이션을 줄이고, 전환점을 유도할 가능성이 높은 매개변수 조합으로 연구자를 이끌어내는 것.
• 다른 전환점과 과학적 탐색 문제에 일반화될 수 있는 GAN 기반 프레임워크를 개발하는 것.
• 분기점 근처 상태공간의 불확실성을 어떻게 체계적으로 탐색할 수 있는지 탐색하는 것.

제안 방법

• 다중 생성기와 판별기를 사용한 생성적 적대적 네트워크(GAN)를 훈련하며, 판별기는 오라클로 기능하는 서rogate 기후 모델을 사용하여 생성된 설정이 AMOC 붕괴로 이어지는지 평가한다.
• 생성기의 목적 함수는 불확실성을 통합하는 맞춤형 손실 함수로 수정되어, 상태공간의 분리경계 근처 영역 탐색을 장려한다.
• 판별기는 생성된 설정이 전환점(붕괴) 상태인지 안정 상태인지 분류하도록 훈련되며, 오라클의 출력을 참값으로 사용한다.
• 다중 생성기를 사용하여 전환점 임계값 근처의 높은 불확실성 영역에 더 잘 집중하고 커버리지 향상을 도모한다.
• 생성기의 출력이 안정 상태와 불안정 상태의 경계에 집중되도록, 적대적 훈련을 통해 개선한다.
• 훈련 후, 오라클 없이 테스트 데이터에 대해 판별기를 평가하여 전환점 예측 능력을 평가한다.

Figure 1: Fold Bifurcation.

실험 결과

연구 질문

• RQ1 GAN 프레임워크는 지구시스템 모델에서 기후 전환점 근처의 높은 불확실성 영역에 효과적으로 샘플링을 집중시킬 수 있는가?
• RQ2 생성기 수를 늘일수록 생성 샘플이 전환점 임계값 영역에 집중되는 정도는 어떻게 변화하는가?
• RQ3 서rogate 모델(오라클)에 의존하지 않고, 훈련된 판별기가 AMOC 붕괴를 얼마나 잘 예측할 수 있는가?
• RQ4 불확실성을 통합한 손실 함수는 동역학계에서 분기 경계를 발견하는 데 개선을 이끌 수 있는가?
• RQ5 TIP-GAN 접근법은 다른 기후 전환점이나 과학적 탐색 문제로 일반화될 수 있는가?

주요 결과

• 세 개의 생성기를 사용할 경우, TIP-GAN에 의해 생성된 샘플 중 98.7%가 AMOC 전환점 근처의 불확실성 영역 내에 포함되었으며, 이는 훈련 데이터셋의 34.9%에 비해 높은 수준이다.
• 판별기는 오라클 없이도 불확실성 영역 내 설정을 분류하는 데 있어 테스트 F1 스코어 0.998을 기록하여, 오라클 없이도 높은 예측 정확도를 확보하였다.
• 생성기 수를 늘일수록 불확실성 영역에 샘플이 집중되는 정도가 크게 향상되었으며, N=1일 경우 67.4%, N=2일 경우 91.4%, N=3일 경우 98.7%의 불확실성 비율을 기록하였다.
• 안정된 설정에 대해서는 판별기가 거의 완벽하게 작동하여, 비불확실성 영역에서 정밀도, 재현율, F1 스코어 모두 100%를 기록하였다.
• 이 방법은 전환점 상태의 안정 다발(스테이블 매니폴드)에 해당하는 상한과 하한 경계를 성공적으로 학습하였다.
• 결과적으로 TIP-GAN은 기후 모델러가 고영향도 매개변수 조합으로 이동하도록 안내할 수 있으며, 필요한 시뮬레이션 수를 줄일 수 있다.

Figure 2: The Climate Tipping Point GAN (TIP-GAN).