PreDiff: 잠재 확산 모델을 활용한 강수 전망

지구시스템 예측은 전통적으로 계산 비용이 크고 상당한 분야 전문 지식이 요구되는 복잡한 물리 모델에 의존해 왔다. 지난 10년간 공간시적 지구 관측 데이터의 사상 초월적인 증가로 인해, 딥러닝 기법을 활용한 데이터 기반 예측 모델이 가능해졌다. 이러한 모델들은 다양한 지구시스템 예측 과제에서 유망성을 보였지만, 불확실성 처리에 어려움을 겪거나 도메인 특화된 사전 지식을 간과함으로써 가능한 미래를 평균화하여 흐릿한 예측을 도출하거나 물리적으로 타당하지 않은 결과를 생성하는 문제가 있었다. 이러한 한계를 극복하기 위해, 확률적 공간시적 예측을 위한 이단계 파이프라인을 제안한다. 1) 우리는 확률적 예측이 가능한 조건부 잠재 확산 모델인 PreDiff를 개발한다. 2) 예측 결과가 도메인 특화된 물리적 제약 조건과 일치하도록 하는 명시적인 지식 정렬 메커니즘을 도입한다. 이는 각 소음 제거 단계에서 강제된 제약 조건에서의 편차를 추정하고, 이를 바탕으로 전이 분포를 조정함으로써 실현된다. 본 연구에서는 혼돈 행동을 갖는 합성 데이터셋인 N-body MNIST와 실제 강수 예측 데이터셋인 SEVIR 두 가지 데이터셋을 대상으로 실증 연구를 수행한다. 구체적으로 N-body MNIST에는 에너지 보존 법칙을, SEVIR에는 예상 강수 강도를 제약 조건으로 도입한다. 실험 결과, PreDiff가 불확실성 처리, 도메인 특화 사전 지식의 통합, 그리고 높은 운영 활용도를 갖춘 예측 생성에 효과적임을 입증하였다.