[논문 리뷰] Will Artificial Intelligence supersede Earth System and Climate Models?

Christopher Irrgang, Niklas Boers외 5명|arXiv (Cornell University)|2021. 01. 22.

Scientific Computing and Data Management참고 문헌 125인용 수 10

한 줄 요약

이 논문은 신경망 기반의 기후 시뮬레이션을 가능하게 하며 해석 가능하고 자기 검증이 가능하며 물리적으로 일관된 기후 예측을 제공하는 하이브리드 프레임워크인 신경 지구시스템모델링(NESYM)을 제안한다. 인공지능의 예측 능력과 지구시스템모델의 물리적 기반을 융합함으로써, 양쪽 분야의 한계를 극복하고 더 정확하고 설명 가능한 기후 예측을 가능하게 하며, 해석 가능성, 일반화 능력, 모델 편향과 같은 핵심 과제를 해결한다.

ABSTRACT

We outline a perspective of an entirely new research branch in Earth and climate sciences, where deep neural networks and Earth system models are dismantled as individual methodological approaches and reassembled as learning, self-validating, and interpretable Earth system model-network hybrids. Following this path, we coin the term "Neural Earth System Modelling" (NESYM) and highlight the necessity of a transdisciplinary discussion platform, bringing together Earth and climate scientists, big data analysts, and AI experts. We examine the concurrent potential and pitfalls of Neural Earth System Modelling and discuss the open question whether artificial intelligence will not only infuse Earth system modelling, but ultimately render them obsolete.

연구 동기 및 목표

• 기후 과학 분야에서 전통적인 과정 기반 지구시스템모델(ESM)과 새로운 인공지능 도구 간의 갈등을 다루기 위해.
• 딥 러닝과 물리 모델링을 융합하여 향상된 기후 예측을 위한 새로운 연구 범주인 신경 지구시스템모델링(NESYM)을 제안하기 위해.
• 신경망 아키텍처에 지구물리학 원리를 통합하여, 단독 AI 모델의 물리적 일관성 부족과 해석 불가능성 등의 한계를 극복하기 위해.
• 기후 과학자, 인공지능 전문가, 데이터 분석가 간의 다학제적 협력을 촉진하여 강력하고 설명 가능하며 물리적으로 기반을 둔 AI 기반 지구시스템모델을 개발하기 위해.
• AI가 전통적인 ESM을 뛰어넘어 궁극적으로 이를 대체할 수 있는가를 검토하고, 이러한 전환 과정이 과학적으로 타당하고 신뢰할 수 있는 조건은 무엇인지 파악하기 위해.

제안 방법

• 특히 미세격자 스케일 파rameterization에서의 구성요소를 포함한, 딥 뉴럴 네트워크와 과정 기반 지구시스템모델을 융합한 하이브리드 모델 개발.
• 자기지도 학습 및 대비 학습 기법을 활용하여 신경망이 관측 데이터로부터 학습하면서도 물리적 제약 조건을 준수하도록 유도.
• 신경망 결정을 물리적 과정과 연결하기 위해 레이어별 중요도 전파(LRP)와 같은 설명 가능한 인공지능(XAI) 기법 적용.
• 기후 시스템 내에서 제도 발견 및 인과 관계 탐지에 위해 비지도 기계학습 기법을 활용하며, 물리적 일관성을 확보하기 위해 모델 예산의 군집화를 포함.
• 고해상도的大기 필드 생성 및 모델 정확도 향상을 위해 적대적 훈련 통합.
• 지구물리적 일관성과 예측 능력을 보장하기 위해, 단독 기계학습 모델과 NESYM 하이브리드 모델을 평가하기 위한 기준으로 과정 중심 진단(POD) 도입.

실험 결과

연구 질문

• RQ1 인공지능 시스템은 기후 변수를 예측할 뿐 아니라 지구시스템의 기본 물리 법칙을 통합하고 존중할 수 있도록 설계될 수 있는가?
• RQ2 하이브리드 신경-물리 모델은 단독 ESM 또는 ML 모델보다 더 높은 예측 정확도와 일반화 능력을 얼마나 달성할 수 있는가?
• RQ3 복잡한 기후 역학과 미세격자 스케일 과정의 맥락에서 신경망 결정을 해석하기 위해 설명 가능한 인공지능(XAI) 기법은 어떻게 적응시킬 수 있는가?
• RQ4 결정론적 방정식 기반 ESM과 데이터 기반 블랙박스 신경망을 융합할 때 발생하는 주요 방법론적 및 인지론적 과제는 무엇인가?
• RQ5 AI가 전통적인 지구시스템모델을 완전히 대체할 수 있는 조건은 무엇이며, 과학적 신뢰성과 해석 가능성 보장을 위해 어떤 보호 조치가 필요한가?

주요 결과

• 신경 지구시스템모델링(NESYM)은 딥 러닝의 예측 능력과 과정 기반 지구시스템모델의 물리적 일관성을 융합하기 위한 실현 가능한 길을 제공한다.
• 레이어별 중요도 전파(LRP)와 같은 설명 가능한 인공지능(XAI) 기법은 이미 신경망 출력에서 변동성 모드, 예측 가능성 원천, 기후 변화 지표를 드러내었다.
• 비지도 기계학습 기법인 모델 예산 군집화를 통해 사전 레이블링 없이도 주요 물리적 균형과 구분되는 기후 제도를 식별할 수 있었다.
• 적대적 훈련을 통해 대기 변수의 초해상도 필드 생성에 성공하여 기후 모델 출력의 공간 해상도를 향상시켰다.
• 과정 중심 진단(POD)은 ML 및 NESYM 하이브리드 모델을 평가하기 위한 강력한 프레임워크를 제공하며, 지구물리적 일관성과 모델 개선을 보장한다.
• AI와 ESM의 융합은 대체가 아니라 상호보완적 진화이다. 해석 가능하고 신뢰할 수 있으며 물리적으로 기반을 둔 모델을 도출하기 위해서는 기후 과학자와 AI 전문가 간의 지속적 협력이 필수적이다.