[논문 리뷰] Implementation and Evaluation of a Machine Learned Mesoscale Eddy Parameterization into a Numerical Ocean Circulation Model

Cheng Zhang, Pavel Perezhogin외 4명|arXiv (Cornell University)|2023. 03. 02.

Meteorological Phenomena and Simulations인용 수 4

한 줄 요약

이 연구는 MOM6 해양순환모델에서 중규모eddies를 위한 딥 컨volution 신경망 기반 기계학습 파arameterization을 구현하고 평가한다. 이 parameterization은 에너지 주입과 백산란 개선에 성공하지만, 계산 비용, 경계 성능, 깊이에 따른 튜닝 문제로 인해 기후모델 적용에 있어 잠재력은 있으나 보완이 필요하다.

ABSTRACT

We address the question of how to use a machine learned parameterization in a general circulation model, and assess its performance both computationally and physically. We take one particular machine learned parameterization \cite{Guillaumin1&Zanna-JAMES21} and evaluate the online performance in a different model from which it was previously tested. This parameterization is a deep convolutional network that predicts parameters for a stochastic model of subgrid momentum forcing by mesoscale eddies. We treat the parameterization as we would a conventional parameterization once implemented in the numerical model. This includes trying the parameterization in a different flow regime from that in which it was trained, at different spatial resolutions, and with other differences, all to test generalization. We assess whether tuning is possible, which is a common practice in general circulation model development. We find the parameterization, without modification or special treatment, to be stable and that the action of the parameterization to be diminishing as spatial resolution is refined. We also find some limitations of the machine learning model in implementation: 1) tuning of the outputs from the parameterization at various depths is necessary; 2) the forcing near boundaries is not predicted as well as in the open ocean; 3) the cost of the parameterization is prohibitively high on CPUs. We discuss these limitations, present some solutions to problems, and conclude that this particular ML parameterization does inject energy, and improve backscatter, as intended but it might need further refinement before we can use it in production mode in contemporary climate models.

연구 동기 및 목표

• 기존에 개발된 모델과 다른 해양순환모델(MOM6)에 사전학습된 기계학습 parameterization을 통합하는 것의 타당성과 성능을 평가하는 것.
• 기계학습 parameterization의 일반화 능력을 다양한 공간 해상도, 유동 제도, 모델 구성에서 평가하는 것.
• 운영 기후모델에 기계학습 parameterization을 구현할 때 발생하는 실용적 과제—튜닝, 안정성, 계산 비용—를 조사하는 것.
• 기계학습 parameterization이 미세구조 운동력 강제를 효과적으로 시뮬레이션하고, 에너지 백산란과 같은 핵심 물리적 지표를 향상시킬 수 있는지 확인하는 것.
• 특히 경계 근처와 다양한 해양 깊이에서의 구현 한계를 규명하고 해결책을 제안하는 것.

제안 방법

• Guillaumin & Zanna (2021)에서 제안한 확률적-딥러닝 parameterization을 구현하며, 이는 컨volution 신경망을 사용해 미세구조 운동력 강제의 파aram터를 예측한다.
• 기계학습 parameterization은 MOM6 모델 내부에 온라인으로 통합되어 운동량 방정식의 미세구조 강제항(S_k)으로 삽입되며, 기존의 parameterization을 대체한다.
• 다양한 구성에서 시험: 공간 해상도(1/10°에서 1/40°까지), 유동 제도(예: 바람 구동 이중기수), 출력 파aram터 튜닝 여부를 포함한 구성.
• 표준 해양학적 지표(예: 운동에너지 스펙트럼, 백산란)를 사용해 물리적 정확도를 평가한다.
• 대규모 기후 시뮬레이션에 대한 타당성을 평가하기 위해 CPU와 GPU에서 계산 성능을 측정한다.
• 후처리 및 튜닝 전략을 적용해 깊이 수준과 지역 간 출력 일관성을 향상시킨다.

실험 결과

연구 질문

• RQ1 기존에 훈련된 기계학습 parameterization이, 훈련된 모델과 다른 해양 모델(MOM6)에 성공적으로 통합되고 안정화될 수 있는가?
• RQ2 기계학습 parameterization의 성능이 다양한 공간 해상도와 유동 제도에서 어떻게 달라지며, 이는 일반화 능력을 어떻게 반영하는가?
• RQ3 기계학습 parameterization의 계산 비용은 얼마이며, 일반 하드웨어에서 대규모 기후 모델에 사용 가능한가?
• RQ4 기존 parameterization과 비교해 기계학습 parameterization이 에너지 백산란과 운동량 이행과 같은 물리적 지표를 어느 정도 향상시키는가?
• RQ5 주요 구현 과제—특히 경계 근처와 깊이 수준 간의 과제—는 무엇이며, 어떻게 완화할 수 있는가?

주요 결과

• 기계학습 parameterization은 수정 없이 MOM6에 온라인으로 통합되었을 때 안정적이며, 다양한 모델 구성에서 강건함을 입증한다.
• 기계학습 parameterization의 영향력은 공간 해상도가 증가함에 따라 감소하며, 이는 더 높은 해상도에서 더 많은 미세구조 과정이 직접 해석되기 때문이라는 기대와 일치한다.
• 일관된 물리적 행동을 달성하기 위해 깊이 수준 별로 기계학습 출력을 튜닝할 필요가 있으며, 이는 모델 예측에서 깊이에 따른 민감도를 시사한다.
• 기계학습 parameterization은 미세구조 동역학이 더 복잡하고 훈련 데이터에 잘 반영되지 않은 해양 경계 근처에서 성능이 열 劣하다.
• CPU에서 기계학습 parameterization의 계산 비용은 매우 높아 대규모 기후 시뮬레이션에 있어서 하드웨어 가속 없이는 실용적이지 않다.
• 한계가 있음에도 불구하고 기계학습 parameterization은 에너지 주입과 백산란 개선에 성공하여 물리적 목적을 달성했음을 확인하지만, 운영용으로의 사용을 위해 추가 보완이 필요하다.