[논문 리뷰] Digital Twin Earth -- Coasts: Developing a fast and physics-informed surrogate model for coastal floods via neural operators

Peishi Jiang, Nis Meinert외 9명|arXiv (Cornell University)|2021. 10. 14.

Meteorological Phenomena and SimulationsEarth and Planetary Sciences참고 문헌 17인용 수 20

한 줄 요약

이 논문은 물리 기반의 푸리에 신경 연산자(Fourier Neural Operator, FNO)를 사용하여 북서유럽 전역의 해안 수위 예측을 정확하게 수행하면서도 최대 45배 빠른 속도로 작동하는 해안 디지털 트윈을 처음으로 소개한다. 이 방법은 주파수 도메인에서 학습된 PDE 연산자를 활용하여 빠르고 확장 가능하며 물리적으로 일관된 해안홍수 모델링을 가능하게 하여 기후 회복력 분야에 기여한다.

ABSTRACT

Developing fast and accurate surrogates for physics-based coastal and ocean models is an urgent need due to the coastal flood risk under accelerating sea level rise, and the computational expense of deterministic numerical models. For this purpose, we develop the first digital twin of Earth coastlines with new physics-informed machine learning techniques extending the state-of-art Neural Operator. As a proof-of-concept study, we built Fourier Neural Operator (FNO) surrogates on the simulations of an industry-standard flood and ocean model (NEMO). The resulting FNO surrogate accurately predicts the sea surface height in most regions while achieving upwards of 45x acceleration of NEMO. We delivered an open-source extit{CoastalTwin} platform in an end-to-end and modular way, to enable easy extensions to other simulations and ML-based surrogate methods. Our results and deliverable provide a promising approach to massively accelerate coastal dynamics simulators, which can enable scientists to efficiently execute many simulations for decision-making, uncertainty quantification, and other research activities.

연구 동기 및 목표

• NEMO와 같은 물리 기반 해안홍수 모델은 한 번의 실행에 1시간 이상 소요되어 불확실성 평가 및 실시간 예측에 걸림돌이 되는 계산적 병목 현상을 해결하고자 한다.
• 최신 기계 학습 기법을 활용하여 빠르고 정확하며 물리 기반의 해안역학에 대한 서브러거 모델을 개발하고자 한다.
• 푸리에 신경 연산자(Fourier Neural Operator, FNO)를 다변량 해안오션 역학으로 확장하여 바람 스트레스 및 대기압을 입력으로 포함하고자 한다.
• 다른 모델과 지역으로의 확장이 가능한 오픈소스이고 모듈식인 플랫폼(CoastalTwin)을 제공하여 재현 가능성을 확보하고자 한다.
• 마스크된 육지 경계가 FNO 성능에 미치는 영향을 평가하고, 다양한 시간 예측 수평에 대한 일반화 능력을 분석하고자 한다.

제안 방법

• 북서유럽 지역의 고해상도 NEMO 시뮬레이션(7km 격자, 2020년)을 1년 분량으로 사용하여 FNO를 훈련시켰으며, 대기력(기압중심선, U10, V10)과 수심도를 입력으로 사용했다.
• 수심도의 민감도를 얕은 지형 특징에 대해 향상시키면서도 대규모 구조를 유지하기 위해 정규화 및 로그 스케일링을 적용했다.
• 12개월 데이터셋을 11개월은 훈련, 4월 2020년은 테스트로 분할하여 FNO가 대기력에서 해수면 높이(SSH)로의 연산자 맵핑을 학습하도록 했다.
• 푸리에 레이어를 통한 주파수 도메인 학습을 활용하여 메쉬 불변성, 효율성, 일반화 능력을 확보한 해안 시스템 내 PDE 모델링을 가능하게 했다.
• MSE 및 1-SSIM 지표를 사용하여 FNO의 성능을 UNet 기준선과 비교하고, 예측 정밀도 평가를 위해 공간적 분석과 스펙트럼(FFT) 분석을 수행했다.
• 재현 가능성과 확장성을 지원하기 위해 CoastalTwin 플랫폼을 개발하고 오픈소스로 공개했다. 이는 다른 모델, 지역, 서브러거 학습 방법으로의 확장에 기여한다.

실험 결과

연구 질문

• RQ1 물리 기반 신경 연산자인 FNO가 다변량 해안오션 역학으로 효과적으로 확장될 수 있는가? 특히 다양한 대기력과 수심도를 포함한 시스템에 대해.
• RQ2 복잡한 해안 기하학적 구조에서 FNO의 성능은 해수면 높이 예측에 있어 표준 UNet 기준선 대비 어떻게 비교되는가?
• RQ3 강한 지형 제약 조건이 있는 지역에서 마스크된 육지 경계가 FNO의 해안역학 예측 능력에 미치는 영향은 어떠한가?
• RQ4 FNO는 다양한 시간 예측 수평(현재 시점 및 단기 미래 예측 포함)에 대해 얼마나 잘 일반화되는가?
• RQ5 FNO는 실제 해안 시뮬레이션에서 NEMO와 같은 전형적인 물리 기반 모델 대비 높은 정확도를 유지하면서도 상당한 속도 향상을 달성할 수 있는가?

주요 결과

• FNO 서브러거는 NEMO 대비 45배 빠른 속도를 기록하여, 단일 CPU 코어에서 한 달 테스트 시뮬레이션을 약 2분 내로 완료했고, NEMO는 약 1.5시간 소요되었다.
• FNO는 MSE(0.001–0.002) 및 1-SSIM(0.228–0.255) 모두에서 UNet 기준선을 초월하여 SSH 역학을 더 정확하게 포착함을 입증했다.
• FNO는 특히 개방된 해양 지역에서 NEMO 시뮬레이션과 더 높은 공간 상관관계를 보였지만, 영국 해안과 같은 육지에 둘러싸인 지역에서는 성능 저하가 관찰되었다.
• 주파수 도메인 분석 결과, FNO는 주요 동역학 범위(FFT 픗ypress의 빨간색 중심 상자) 내에서 스펙트럼 에너지를 더 잘 유지하는 것으로 나타났다. 그러나 두 모델 모두 고주파수 해안 특징에서는 성능이 열등했다.
• 과거 동역학(예: 과거의 SSH 또는 바람 필드)을 포함시켜도 FNO 성능 향상이 유의미하게 이루어지지 않아, 단기 예측에 있어 현재 시점의 외부력이 충분함을 시사했다.
• 오픈소스인 CoastalTwin 플랫폼은 재현 가능성과 다른 모델 및 지역으로의 확장 가능성을 보장하며, 향후 신속하고 물리 기반의 해안 시뮬레이션 연구를 지원한다.