생성형 AI로 기후 시뮬레이션 25배 가속: 78시간 걸리던 작업 3시간 만에 완료

지구의 10년 치 기후를 시뮬레이션하려면 기존 물리 기반 슈퍼컴퓨터를 사흘 넘게 꼬박 돌려야 했습니다. 그런데 생성형 AI가 이 작업을 3시간 이내로 단축했습니다.

앨런 인공지능 연구소(Ai2)와 캘리포니아 대학교 샌디에이고 캠퍼스(UCSD) 공동 연구진은 물리 기반 기후 모델인 FV3GFS를 모사해 속도를 약 26.6배 끌어올린 기후 예측 모델을 공개했습니다. 기존 물리 모델이 10년 치 시뮬레이션에 약 78시간 4분을 소모한 반면, 새 방식은 2시간 56분 만에 계산을 끝마쳤습니다.

평면 대신 구면에서 작동하는 확산 모델

이번 모델은 물리 방정식을 AI 구조에 직접 결합한 하이브리드 형태가 아닙니다. 미국의 표준 예보 모델인 FV3GFS의 시뮬레이션 데이터를 데이터셋 삼아 물리적 법칙을 간접적으로 학습한 순수 생성형 모델입니다.

연구진은 이를 위해 'Spherical DYffusion'이라는 구조를 설계했습니다. 스테이블 디퓨전(Stable Diffusion)이나 알파폴드 3(AlphaFold 3)처럼 노이즈에서 시작해 점진적으로 상태를 복원하는 조건부 확산 과정을 기후 예측에 적용했습니다.

특히 지구를 평면 격자로 펼칠 때 발생하는 양극단의 좌표 왜곡 문제를 해결하기 위해, 구면 형상에서 직접 연산하는 최적화된 구면 합성곱 연산자를 도입했습니다. 이를 통해 회전 동변성을 유지하면서 전 지구적 대기 패턴을 처리해, 표준 확산 모델 대비 약 25분의 1 수준의 자원으로 구동할 수 있게 만들었습니다.

압도적인 속도 뒤에 숨은 오차 문제

하지만 OpenReview에 공개된 논문에 따르면 속도를 얻은 대가로 정밀도에서 손실이 발생했습니다.

예측한 34개 대기 변수 전반에서 AI 모델의 평균 기후 편차는 기준 물리 모델보다 약 50% 높게 나타났습니다. 특히 대기 역학이 복잡한 고고도 상공이나 극지방에서는 이 오차 폭이 더 벌어졌습니다.

여러 시뮬레이션 결과를 평균 내는 앙상블 기법을 적용해 편차를 29.28% 줄였지만, 여전히 FV3GFS의 이론적 최소 불확실성 기준에는 미치지 못했습니다. 더불어 현재 모델은 매년 반복되는 해수면 온도와 고정된 온실가스 농도를 전제로 작동하기 때문에, 당장 지구온난화 시나리오를 예측하는 데는 한계가 있습니다.

왜 중요한가

기후 과학자와 정책 연구자들에게 10년 단위의 계산을 3시간 만에 끝낼 수 있다는 점은 엄청난 이점입니다. 극한 기상 현상의 발생 확률을 따지려면 수백 번의 앙상블 시뮬레이션을 반복해야 하는데, 지금까지는 슈퍼컴퓨팅 비용 탓에 대형 기관이 아니면 엄두를 내기 어려웠습니다.

다만 이 모델을 당장 실제 기후 정책 수립에 활용하기는 어렵다고 봅니다. 물리 법칙을 엄밀히 계산하는 대신 데이터의 양상을 흉내 낸 모델이라, 50%에 달하는 오차율은 국지적 기상 이변을 잘못 짚어낼 위험을 안고 있습니다.

그럼에도 구면 지오메트리에 맞춘 확산 모델이 기후 과학에서도 통한다는 점을 입증했다는 점에서 의미가 큽니다. 물리 모델을 당장 대체하기보다는, AI로 수많은 가능성을 초고속으로 훑어본 뒤 위험도가 높은 시나리오만 기존 슈퍼컴퓨터로 정밀 검증하는 협업 구조가 자리 잡을 것으로 보입니다.