[아이티데일리]인공지능(AI) 회사인 구글 딥마인드(DeepMind)가 일기 예보 과학으로 영역을 넓혀 기존의 최고 예측 도구는 물론 다른 AI 접근 방식보다 뛰어난 성능을 발휘하는 기계 학습 모델을 개발했다고 네이처지 온라인이 전했다.

그래프캐스트(GraphCast)라고 불리는 이 모델은 데스크탑 컴퓨터에서 실행될 수 있으며, 예측은 기존 모델보다 더 정확하고, 몇 시간이 아닌 몇 분 만에 예측이 이루어진다고 한다.

캘리포니아 주립대학교 로스앤젤레스 캠퍼스(UCLA)의 컴퓨터 과학자 애디트야 그로버는 "그래프캐스트는 현재 AI 모델 경쟁을 주도하고 있다"라고 말했다. 이 모델은 사이언스지에 최근 게재됐다.

날씨를 예측하는 것은 복잡하고 에너지 집약적인 작업이다. 표준 접근법은 수치일기예보(NWP)라고 불리며, 물리적 원리에 기초한 수학적 모델을 사용한다. 물리적 모델로 알려진 이 도구는 슈퍼컴퓨터에서 실행되며, 전 세계 부표, 위성 및 기상 관측소의 기상 데이터를 처리한다. 계산은 열, 공기 및 수증기가 대기를 통해 어떻게 이동하는지 정확하게 매핑하지만 실행하는 데는 비용이 많이 든다.

예측에 드는 재정 및 에너지 비용을 줄이기 위해 여러 기술 회사들이 과거 및 현재 날씨 데이터를 통해 세계 날씨의 미래 상태를 신속하게 예측하는 기계 학습 모델을 개발했다. 그 중에는 딥마인드, 그래픽 칩 제조사 엔비디아(Nvidia), 중국 기술 기업 화웨이(Huawei), 캘리포니아주 버클리에 본사를 둔 애트모(Atmo) 등 수많은 빅테크 및 스타트업이 있다. 이 중 화웨이의 판구-웨더(Pangu-weather) 모델은 영국 레딩에 위치한 유럽 중거리 기상 예보 센터(ECMWF)의 표준 NWP 시스템과 강력하게 경쟁하는 모델이다. 이 모델은 최대 15일 전에 세계 최고의 정확도로 일기 예보를 제공한다.

ECMWF의 기계 학습 코디네이터인 매튜 챈트리는 기계 학습이 일기 예보의 혁명을 일으키고 있다고 말했다. 콜로라도 대기권 협동연구소의 데이터 시각화 연구원인 제이콥 래드포드는 AI 모델이 기존 NWP 모델보다 1000~1만 배 더 빠르게 실행돼 과학자들이 예측을 해석하고 전달할 수 있는 더 많은 시간을 제공한다고 밝혔다.

그래프캐스트는 대부분의 글로벌 기상 예측 작업에서 기존 및 AI 기반 접근 방식보다 성능이 뛰어나다. 연구원들은 먼저 물리적 모델을 통해 1979~2017년까지의 과거 지구 날씨 추정치를 사용하여 모델을 훈련했다. 이를 통해 그래프캐스트는 기압, 바람, 온도 및 습도와 같은 기상 변수 간의 연관성을 학습할 수 있었다.

훈련된 모델은 전 세계 날씨의 '현재' 상태와 6시간 전의 날씨 추정치를 사용, 6시간 앞의 날씨를 예측한다. 이전 예측은 모델에 다시 피드백되어 미래에 대한 추가 추정을 가능하게 한다. 딥마인드 연구원들은 그래프캐스트가 2018년의 세계 기상 추정치를 사용하여 1분 이내에 최대 10일 앞선 예측을 할 수 있으며 예측은 ECMWF의 고해상도 예측 시스템(HRES)보다 더 정확하다는 것을 확인했다고 밝혔다.

딥마인드의 컴퓨터 과학자 레미 램은 "지표면에 가장 가까운 대기인 대류권에서 그래프캐스트는 우리가 수행한 1만 2000번의 측정 중 99% 이상에서 HRES보다 성능이 뛰어난 것으로 나타났다"고 말했다. 또한 모든 대기권에서 이 모델은 날씨 예측의 90%가 HRES보다 뛰어났다고 덧붙였다. 그래프캐스트는 지표면에서 2m 떨어진 기온 등 지표면에 가까운 5가지 기상 변수, 지표면에서 먼 곳에서는 풍속 등 6가지 대기 변수의 상태를 예측했다. 그래프캐스트는 또 열대 저기압의 경로, 극심한 더위와 추위 등 심각한 기상 현상을 예측하는 데에도 유용하다는 것이 입증됐다.

딥마인드 연구원들은 그래프캐스트의 예측 능력을 판구-웨더 예측력과 비교도 시행했다. 두 비교에서도 그래프캐스트는 이전 화웨이의 연구에서 설명한 날씨 예측의 정확도보다 99% 능가한다고 설명했다.

그래프캐스트는 현재로서는 기존의 날씨 예측 방식을 완전히 대체하기보다는 기존 모델이 잘 수행하지 못하는 특정 유형의 날씨 예측을 향상시킬 수 있다. 챈트리는 “기계 학습 모델을 훈련하는 데 사용되는 글로벌 날씨 추정치를 제공하려면 표준 물리적 모델이 여전히 필요하다”고 지적한다. 그는 “현실에서 기계 학습 접근 방식 날씨 예측을 사용하기까지는 앞으로 2~5년 정도 더 걸릴 것으로 예상한다”고 덧붙였다.