17일 전
신경 확산 방정식을 활용한 기후 모델링
Jeehyun Hwang, Jeongwhan Choi, Hwangyong Choi, Kookjin Lee, Dongeun Lee, Noseong Park

초록
심층 학습 기술의 놀라운 발전에 힘입어, 심층 학습 기반 기후 모델을 구축하기 위한 다양한 노력이 이루어져 왔다. 대부분의 기존 연구는 순환 신경망(RNN)과/또는 그래프 신경망(GNN)을 활용하지만, 본 연구에서는 신경 미분방정식(NODE)과 확산 방정식(diffusion equation)이라는 두 가지 개념을 기반으로 새로운 기후 모델을 설계하였다. 입자들의 브라운 운동을 수반하는 많은 물리적 과정은 확산 방정식으로 잘 설명될 수 있으며, 이로 인해 기후 모델링에 널리 활용되고 있다. 반면, 신경 미분방정식(NODE)은 데이터로부터 상미분방정식(ODE)의 잠재적인 지배 방정식을 학습하는 데 목적이 있다. 본 연구에서 제안하는 방법은 이러한 두 개념을 하나의 통합 프레임워크로 결합하여, 신경 확산 방정식(NDE)이라는 새로운 개념을 제안한다. 본 연구에서 제안하는 NDE는 확산 방정식과 추가적인 신경망을 결합하여 내재된 불확실성을 모델링할 수 있도록 구성되어 있으며, 주어진 기후 데이터셋을 가장 적절히 설명할 수 있는 잠재적 지배 방정식을 효과적으로 학습할 수 있다. 실제 세계 데이터셋 두 개와 합성 데이터셋 하나, 총 11개의 기준 모델을 대상으로 수행한 실험 결과, 제안한 방법은 기존의 모든 기준 모델을 비현저한 성능 차이로 일관되게 상회하였다.