신경 유동-확산 방정식을 활용한 기후 모델링

심층 학습 기술의 놀라운 발전에 힘입어, 심층 학습 기반 기후 모델 구축을 위한 여러 시도가 이루어지고 있다. 대부분의 기존 연구들은 순환 신경망(RNN)과/또는 그래프 신경망(GNN)을 활용하지만, 본 연구에서는 신경 미분방정식(NODE)과 이동-확산 방정식(Advection–Diffusion Equation)이라는 두 가지 개념을 기반으로 한 새로운 기후 모델을 제안한다. 이동-확산 방정식은 기후 시스템 내에서 브라운 운동과 대규모 유체 운동과 같은 다양한 물리적 과정을 잘 설명할 수 있기 때문에 기후 모델링에 널리 활용되고 있다. 반면, NODE는 데이터로부터 상미분방정식(ODE)의 잠재적 지배 방정식을 학습하는 데 목적이 있다. 본 연구에서 제시한 방법은 이러한 두 개념을 통합하여 하나의 통합 프레임워크로 구성하였으며, 이를 '신경 이동-확산 방정식'(Neural Advection–Diffusion Equation, NADE)이라고 명명한다. 본 NADE는 이동-확산 방정식과 추가적인 신경망을 통해 내재된 불확실성을 모델링함으로써, 주어진 기후 데이터셋을 가장 잘 설명할 수 있는 적절한 잠재적 지배 방정식을 학습할 수 있다. 실제 데이터셋 3개와 합성 데이터셋 2개를 대상으로 한 실험에서 14개의 기존 베이스라인과 비교한 결과, 본 방법은 비현저한 성능 우수성을 일관되게 보였다.