MIT 연구원들은 일반적으로 필요한 데이터의 일부를 사용하여 빠르고 적응 가능한 AI 기후 모델을 생성하는 훈련 기술을 개발했습니다. 이 기술을 사용하면 이러한 도구의 생산 시간을 몇 달 또는 몇 년에서 정책 결정에 훨씬 더 유용한 수준으로 줄일 수 있다고 말합니다. 이 연구는 이번 주 미국국립과학원회보(Proceedings of the National Academy of Sciences)에 게재되었습니다.

문제의 모델은 기후 에뮬레이터입니다. 즉, 전체 규모 지구 시스템 모델(ESM)의 동작을 모방하는 소형 AI 대리 시스템입니다. ESM은 온도, 강수량, 해수면이 온실가스 배출에 어떻게 반응하는지를 예측하는 거대한 물리학 기반 시뮬레이션인 기후 과학의 일꾼입니다. 그러나 단일 미래 시나리오를 슈퍼컴퓨터 클러스터에서 실행하는 데 몇 달이 걸릴 수 있습니다. 이와 대조적으로 에뮬레이터는 몇 초 만에 실행되므로 과학자들은 수천 가지 시나리오를 테스트하고, 지역적 영향과 특정 오염 물질을 조사하고, 정책 개입의 예상치 못한 결과를 표시할 수 있습니다. 과학에서 AI의 역할 확대에 대한 지속적인 보도를 보려면 AI 연구 뉴스를 팔로우하세요.

문제: 현실적인 훈련 데이터로 인해 모델이 취약해집니다.

연구자들이 기후 에뮬레이터를 구축할 때 일반적으로 현실적인 궤적을 따르는 6~8개의 미래 배출 시나리오에 대해 교육합니다. 각각은 훈련 데이터를 생성하기 위해 전체 ESM을 통해 실행되어야 하므로 데이터 세트 생성 비용이 많이 들고 느려집니다. MIT 팀은 이전에 미묘한 실패 모드를 식별했습니다. 현실적인 시나리오로 훈련된 에뮬레이터는 익숙하지 않거나 새로운 상황(정책 입안자가 점점 더 탐구해야 하는 상황)을 예측하라는 요청을 받을 때 성능이 저하될 수 있습니다.

현재 ETH 취리히 박사후 연구원이자 논문의 주저자인 크리스토퍼 워맥(Christopher Womack) 박사는 MIT 뉴스에서 "우리 알고리즘은 현실적인 미래처럼 보이지 않는 몇 가지 이상한 시나리오를 생성할 수 있지만 훈련 시나리오가 현실적이라면 그다지 신경 쓰지 않는다"고 말했습니다. "우리는 에뮬레이터를 교육하기 위해 가능한 최고의 데이터 세트를 만들려고 노력하고 있습니다."

8개가 아닌 1개의 ESM이 실행됩니다.

새로운 기술은 일반적인 파이프라인을 뒤집습니다. 현실적인 시나리오를 조합하는 대신 알고리즘은 특정 에뮬레이터의 예측 기술을 극대화하도록 맞춤화된 최적화된 합성 시나리오를 생성합니다. 이 프로세스는 빠르고 간단한 기후 모델을 통해 실행되는 임의의 시나리오로 시작하여 에뮬레이터가 전체 ESM 결과를 얼마나 잘 재현하는지 측정한 다음 에뮬레이터의 오류가 임계값 아래로 떨어질 때까지 훈련 데이터를 반복적으로 교란합니다. 예를 들어 2050년에 CO2 배출량을 급격히 늘리거나 2037년에 메탄을 빠르게 줄입니다.

결과적인 합성 시나리오는 매끄러운 실제 궤적처럼 보이지 않습니다. Womack은 "이러한 고주파 흔들림과 진동을 도입함으로써 우리의 데이터를 통해 에뮬레이터는 전체 시스템에 대해 훨씬 더 많은 정보를 추출할 수 있습니다."라고 말했습니다. 실질적인 보상은 상당합니다. 훈련 세트를 구축하려면 전체 ESM을 6~8회 실행해야 했지만 이제 사용자는 한 번의 실행만 하면 됩니다.

기존 모델 테스트 통과 실패

연구원들은 자신의 방법으로 훈련된 에뮬레이터가 훈련 중에 본 적이 없는 시나리오의 결과를 정확하게 예측한 반면 기존 에뮬레이터는 적응하지 못했다고 보고했습니다. MIT News가 강조한 한 테스트에서 합성 훈련된 에뮬레이터는 하나의 오염 물질을 줄이는 동시에 다른 배출은 계속 증가하는 지역 오염 물질 제어 정책의 효과를 올바르게 포착했습니다. 이는 그들이 평가한 기존의 훈련된 에뮬레이터가 실패한 사례입니다.

Womack은 "기후 에뮬레이터는 정책 관련 시나리오를 모델링하는 데 특히 적합합니다."라고 말했습니다. "에뮬레이터에 최적화된 훈련 데이터를 생성하는 방법을 사용함으로써 우리는 훨씬 더 안정적인 에뮬레이터의 생산 속도를 높일 수 있으므로 정책 결정을 내릴 때 그 결과를 더 신뢰할 수 있습니다."

미래는 훈련 세트와 닮지 않기 때문에 적응성이 중요합니다. “미래에 우리는 확실히 이전에 보지 못한 기후와 시나리오를 보게 될 것입니다.”라고 Selin은 말했습니다. "이러한 다양한 시나리오를 더욱 강력하게 시뮬레이션할 수 있다면 이를 필요로 하는 이해관계자에게 보다 신뢰할 수 있는 정보를 제공할 수 있습니다."

타이밍이 중요한 이유

MIT의 데이터, 시스템, 사회 연구소와 지구, 대기 및 행성 과학부 교수이자 지속 가능성 과학 및 전략 센터 소장인 선임 저자 Noelle Selin은 이 연구를 기후 정보 자체에 대한 공급망 수정으로 구성했습니다. 에뮬레이터 교육에는 몇 달 또는 몇 년이 걸릴 수 있으므로 기획자가 사용할 수 있는 도구가 최신 버전이 아닌 경우가 많습니다. "제작 시간을 단축함으로써 이 기술이 연구원과 실무자의 손에 업데이트된 도구를 제공하는 측면에서 획기적인 변화가 될 것이라고 생각합니다."라고 그녀는 말했습니다.

응용 프로그램은 학계를 넘어 확장됩니다. 최신 기후 예측은 전력망 탄력성, 공중 보건 보호 및 농업 계획에 대한 결정을 알려줍니다. 팀에는 또한 MIT의 Shahine Bouabid, Andrei Sokolov, Popat Salunke 및 Glenn Flierl, Imperial College London의 Sebastian D. Eastham이 포함되었습니다. 연구원들의 다음 목표는 지구가 역사적 선례가 없는 기후 조건에 진입하더라도 에뮬레이터가 견고하게 유지되도록 기술을 확장하는 것입니다.

---

AI보다 앞서 나가세요

최신 AI 뉴스, 분석, 획기적인 소식을 모두 한 곳에서 받아보세요.

AI 뉴스 자세히 보기 →