[논문 리뷰] Machine Learning in Heliophysics and Space Weather Forecasting: A White Paper of Findings and Recommendations

Gelu M. Nita, Manolis K. Georgoulis외 39명|arXiv (Cornell University)|2020. 06. 22.

Solar and Space Plasma Dynamics참고 문헌 6인용 수 9

한 줄 요약

이 화이트페이퍼는 표준화된 벤치마크 데이터셋, 다학제적 협력, 데이터 및 소스 코드의 개방을 통해 헬리오포르지스와 공간 날씨 예측에 머신러닝(ML)을 전략적으로 통합할 것을 제안한다. 이는 물리 모델링과의 보완적 역할을 강조하며, 공간 날씨 예측 능력 향상과 NSF의 주요 과제를 위해 철저한 데이터, 모델, 성능 검증을 강조한다.

ABSTRACT

The authors of this white paper met on 16-17 January 2020 at the New Jersey Institute of Technology, Newark, NJ, for a 2-day workshop that brought together a group of heliophysicists, data providers, expert modelers, and computer/data scientists. Their objective was to discuss critical developments and prospects of the application of machine and/or deep learning techniques for data analysis, modeling and forecasting in Heliophysics, and to shape a strategy for further developments in the field. The workshop combined a set of plenary sessions featuring invited introductory talks interleaved with a set of open discussion sessions. The outcome of the discussion is encapsulated in this white paper that also features a top-level list of recommendations agreed by participants.

연구 동기 및 목표

• 헬리오포르지스 데이터의 복잡성 증가에 대응하여 분석 및 예측을 위한 핵심 도구로 머신러닝을 제안한다.
• 현재의 데이터 및 모델링 관행의 한계를 극복하기 위해 헬리오포르지스 분야 전반에 걸쳐 표준화되고 고도로 향상된 벤치마크 데이터셋을 구축한다.
• 헬리오포르지스트, 데이터 과학자, 모델러 간의 협력을 촉진하여 머신러닝 응용이 과학적으로 기반을 두고 검증 가능하도록 한다.
• 공개 과학을 촉진하기 위해 데이터, 모델, 소스 코드의 공개 접근성을 주장함으로써 공동체 수준의 진전을 가속화한다.
• 공간 날씨 예측 분야의 NSF 주요 과제 프로젝트를 지원하기 위해 머신러닝을 향후 연구 인프라의 핵심 구성 요소로 통합한다.

제안 방법

• 헬리오포르지스, 데이터 과학, 모델링 분야 전문가를 통합하기 위해 다학제적 워크숍(예: ML-Helio 시리즈)을 개최한다.
• 헬리오포르지스 전 분야에 걸쳐 표준화된 벤치마크 데이터셋을 개발하여 머신러닝 및 물리 기반 모델 간의 객관적 비교를 가능하게 한다.
• 실험실 플라즈마 실험을 물리 모델과 통합하여 관측만으로는 접근할 수 없는 키네틱 스케일 과정을 더 잘 이해한다.
• 모든 머신러닝 응용에 대해 데이터 검증, 모델 검증, 성능 검증을 포함하는 3단계 품질 보증 프레임워크를 구현한다.
• 명확한 일정과 마일스톤을 설정한 실행 가능한 계획으로 머신러닝 응용 아이디어를 체계화하기 위한 전문가 팀을 구성한다.
• 기존 사이버인프라(예: CCMC, EarthCube)를 활용하고 개방형 라이선스를 홍보하여 기관 및 기관 간 데이터 및 소스 코드 접근성을 보장한다.

실험 결과

연구 질문

• RQ1 물리 모델링 원칙을 훼손하지 않으면서 머신러닝을 헬리오포르지스 및 공간 날씨 예측에 체계적으로 통합할 수 있는 방법은 무엇인가?
• RQ2 헬리오포르지스 분야에서 고도로 향상되고 공동체가 검증한 표준 벤치마크 데이터셋을 구축하고 유지하는 데 가장 효과적인 전략은 무엇인가?
• RQ3 헬리오포르지스트, 데이터 과학자, 모델러 간의 다학제적 협력을 어떻게 제도화하여 견고한 머신러닝 응용을 보장할 수 있는가?
• RQ4 헬리오포르지스 공동체 내에서 머신러닝 모델, 데이터, 소스 코드의 장기적 개방성과 재현 가능성을 보장할 수 있는 메커니즘은 무엇인가?
• RQ5 머신러닝은 어떻게 NSF의 공간 날씨 예측 분야 주요 과제 프로젝트의 예측 능력을 향상시킬 수 있는가?

주요 결과

• 헬리오포르지스 분야에서 머신러닝과 물리 기반 모델 간의 객관적 평가 및 비교를 위해서는 고도로 표준화된 벤치마크 데이터셋이 필수적이다.
• 머신러닝은 물리 모델링의 대체가 아니라, 현대 헬리오포르지스에서 발생하는 빅데이터 과제를 감안할 때 매우 강력한 보완 도구이다.
• 신뢰성과 재현 가능성을 확보하기 위해 데이터, 모델, 성능 검증을 동시에 적용하는 3단계 품질 보증 프로세스가 필요하다.
• 실행 가능한 계획으로 머신러닝 아이디어를 체계화하는 전문가 팀의 구성은 분야의 체계적 발전을 위해 필수적이다.
• 공동체의 진전을 위해 데이터 및 소스 코드의 개방 공유가 필수적이며, 현재의 인centives는 제한되어 있지만 공개 접근성이 증가할수록 더 넓은 도입이 이뤄질 것으로 예상된다.
• 나사(NASA), NOAA, AFOSR 및 다학제 공동체 전반은 머신러닝이 헬리오포르지스에서 성공하기 위해 필수적인 이해관계자이다.