구글 딥마인드 NeuralGCM: ML+GCM 하이브리드, 기상·기후 예측의 새 지평

1. 하이브리드 기상 예측의 새로운 패러다임: NeuralGCM의 작동 원리

하이브리드 아키텍처: GCM과 머신러닝의 융합

구글 딥마인드가 개발한 NeuralGCM은 전통적인 GCM(General Circulation Models)과 머신러닝 기술을 결합하여 대기 모델링에 새로운 지평을 연 하이브리드 모델입니다.
이러한 혁신적인 아키텍처는 고도로 복잡한 대기 역학을 포착하는 데 필수적인 미분 가능한 대기 역학 솔버를 포함하고 있습니다.
또한, NeuralGCM은 학습된 물리 모듈, 학습된 인코더, 그리고 학습된 디코더와 같은 다양한 머신러닝 구성 요소를 통합하여 기존 모델의 한계를 뛰어넘습니다.
이러한 하이브리드 접근 방식은 물리 기반 모델의 견고함과 데이터 기반 모델의 유연성 및 패턴 인식 능력을 동시에 활용하는 것을 목표로 합니다.

차별화된 학습 방법론: ERA5 데이터 기반의 종단 간 '온라인 학습'

NeuralGCM의 핵심적인 차별점은 독특한 학습 방법론에 있습니다.
이 모델은 유럽 중기 예보 센터(ECMWF)의 ERA5 재분석 데이터를 활용하여 학습되었습니다.
특히, 약 40년간의 방대한 역사적 ERA5 데이터가 최대 5일 날씨 예측 궤적을 훈련하는 데 사용되었습니다.
NeuralGCM은 미분 가능성을 적극적으로 활용하는 종단 간(end-to-end) '온라인 학습(online training)' 방법론을 채택합니다.
이는 모델이 전체 예측 궤적에 걸쳐 오류를 역전파(backpropagate)하고 최적화할 수 있도록 하며, 확률적 경사 하강법을 사용하여 가중치를 업데이트합니다.
훈련 과정에서 롤아웃 길이, 즉 예측 시뮬레이션의 시간 길이는 초기 6시간에서 점진적으로 최대 5일까지 증가하며, 모델의 장기 예측 능력을 강화합니다.

기술적 구현: JAX 기반의 미분 가능한 동역학 코어

NeuralGCM의 기술적 기반은 JAX 라이브러리에 의해 구현된 미분 가능한 동역학 코어에 있습니다.
JAX는 고성능 수치 계산과 자동 미분 기능을 제공하여 복잡한 물리 시스템을 효율적으로 모델링하고 최적화할 수 있게 합니다.
이 모델은 수평풍의 와도 및 발산, 온도, 지표 압력, 그리고 비습도, 비 얼음 및 액체 구름 수분 함량을 포함한 3종 수분 등 다양한 예측 변수를 다룹니다.
NeuralGCM은 여러 수평 해상도 옵션을 제공하는데, 2.8°, 1.4°, 0.7°가 그것입니다.
특히 NeuralGCM-1.4° 모델은 단일 TPUv4 코어에서 24시간 내에 70,000 시뮬레이션 일수를 처리할 수 있는 뛰어난 계산 효율성을 보여줍니다.
이러한 기술적 특징들은 NeuralGCM이 기존의 복잡한 기상 모델에 비해 상당한 계산 자원을 절감하면서도 고정밀 예측을 가능하게 하는 중요한 요인입니다.

2. 정확도와 효율성의 동시 달성: NeuralGCM의 핵심 성능 지표

머신러닝 기반 앙상블 예측의 새로운 지평을 열다

구글 딥마인드가 개발한 NeuralGCM은 날씨 예측의 정확도와 효율성이라는 두 마리 토끼를 동시에 잡으며 기상학 분야에 새로운 이정표를 제시했습니다.
특히 이 모델은 머신러닝 기반 모델 중 최초로 정확한 앙상블 기상 예측을 가능하게 했다는 점에서 혁신적인 평가를 받고 있습니다.
앙상블 예측은 미래의 불확실성을 반영하기 위해 여러 시뮬레이션을 수행하는 것으로, NeuralGCM은 이를 통해 예측의 신뢰도를 획기적으로 높였습니다.
이러한 역량은 2024년 7월 22일 온라인으로, 2024년 8월 29일에는 Nature 저널 Vol 632를 통해 발표되며 학계의 큰 주목을 받았습니다.

최첨단 물리 기반 및 기존 ML 모델을 뛰어넘는 정확도

NeuralGCM은 그 성능 면에서 기존의 최첨단 예측 모델들을 압도하거나, 적어도 대등한 경쟁력을 보이고 있습니다.
가장 인상적인 성과는 최첨단 물리 기반 모델인 ECMWF-ENS(유럽 중기 예보 센터 앙상블 시스템)보다 우수한 CRPS(연속 순위 확률 점수)를 달성했다는 점입니다.
CRPS는 예측 분포가 실제 관측값에 얼마나 근접하는지를 평가하는 지표로, NeuralGCM의 우위는 그 예측 능력의 탁월함을 명확히 보여줍니다.
또한, 1일에서 10일까지의 단기 및 중기 기상 예측에서 GraphCast나 Pangu와 같은 기존 머신러닝 모델들과 대등한 경쟁력을 확보했습니다.
나아가 1일에서 15일까지의 장기 기상 예측에서도 ECMWF 앙상블 예측과 어깨를 나란히 할 정도로 강력한 성능을 입증했습니다.
이러한 결과는 NeuralGCM이 특정 시나리오나 기간에 국한되지 않고 광범위한 예측 범위에서 우수성을 발휘한다는 것을 의미합니다.

성능 지표	NeuralGCM	ECMWF-ENS (물리 기반)	GraphCast/Pangu (ML 모델)	ECMWF 앙상블 (물리 기반)
CRPS (앙상블 예측)	우수	- (NeuralGCM 대비 열세)	-	-
단/중기 예측 (1-10일)	대등한 경쟁력	-	대등한 경쟁력	-
장기 예측 (1-15일)	강력 (어깨를 나란히)	-	-	어깨를 나란히

현실성 높은 시뮬레이션 및 뛰어난 일반화 능력

NeuralGCM은 단순히 수치적인 정확도를 넘어, 실제 기후 현상을 현실적으로 모사하는 능력에서도 두각을 나타냅니다.
특히 이 모델은 하이브리드 모델 중 최초로 전역 구름 해상도 모델(X-SHiELD)에 필적하는 공간 편향을 달성했습니다.
이는 구름과 같은 미세한 기상 현상까지도 매우 현실적으로 예측할 수 있음을 뜻합니다.
또한, 1.4° 해상도에서 ERA5 데이터에 있는 86개의 열대 저기압 경로 중 83개를 정확히 예측하며 열대 저기압 경로 시뮬레이션의 현실성을 입증했습니다.
40년간의 과거 온도 경향을 반영한 AMIP(Atmospheric Model Intercomparison Project) 유사 시뮬레이션을 실행 가능하며, 이 시뮬레이션은 ERA5 데이터에서 관찰된 지구 온난화 경향을 데카달 시뮬레이션에서 정확히 포착했습니다.
이는 CMIP6 AMIP 실행보다 공간적 편향이 적어(1981-2014 평균), 더욱 정교하게 기후 변화 추세를 예측할 수 있음을 시사합니다.
열대 대류권 상층부 온도 편향을 감소시켜 ERA5에 더 가까운 열대 온난화 경향을 예측하는 등, 미묘한 기후 패턴까지도 정확하게 반영하는 능력을 보여줍니다.
놀랍게도 NeuralGCM은 학습 기간 이후의 미관측 기상 조건에 대해서도 GraphCast와 달리 오류 증가 경향을 보이지 않았습니다.
특히 2000년 이전 데이터로 학습한 후 21년 이상 미관측 데이터에 대해 성능을 입증하여, 장기간에 걸친 안정적인 예측 및 일반화 능력을 강력하게 시사합니다.

3~5 자릿수 연산 자원 절감이라는 전례 없는 효율성

정확도와 현실성 못지않게 NeuralGCM의 가장 혁신적인 강점 중 하나는 바로 압도적인 연산 효율성입니다.
이 모델은 기존 GCM(General Circulation Models) 대비 3~5 자릿수(100배에서 10만 배)에 달하는 연산 자원 절감 효과를 보여줍니다.
이는 같은 성능을 내기 위해 필요한 컴퓨팅 파워가 기존 모델에 비해 현저히 적다는 의미로, 기상 예측 분야의 패러다임을 바꿀 잠재력을 가지고 있습니다.
구체적으로, 기존 GCM 대비 8배에서 40배 낮은 수평 해상도에서도 유사한 수준의 성능을 달성했습니다.
이는 단순히 자원을 덜 쓰는 것을 넘어, 제한된 컴퓨팅 환경에서도 고품질의 예측이 가능하다는 것을 의미합니다.
예를 들어, NeuralGCM-1.4° 모델은 단일 TPUv4 코어에서 24시간 내에 70,000 시뮬레이션 일수를 처리할 수 있었습니다.
이러한 효율성은 복잡한 기후 모델링을 훨씬 더 빠르고 저렴하게 수행할 수 있게 하여, 연구 및 실제 운영 환경 모두에 엄청난 이점을 제공합니다.
결과적으로 NeuralGCM은 정확하고 신뢰할 수 있는 예측을 제공하면서도, 동시에 전례 없는 연산 효율성을 통해 기상 예측 기술의 새로운 시대를 열고 있습니다.

항목	NeuralGCM 특징	기존 GCM 대비
연산 자원	3~5 자릿수 절감	100배 ~ 10만 배 절감
수평 해상도	8배 ~ 40배 낮은 해상도에서 유사 성능 달성	-
1.4° 모델 (TPUv4 코어)	24시간 내 70,000 시뮬레이션 일수 처리	-

3. 단기 예보를 넘어 장기 기후 시뮬레이션까지: NeuralGCM의 확장된 능력

구글 딥마인드가 개발한 NeuralGCM은 단순히 단기적인 기상 예측 모델을 넘어, 장기적인 기후 시뮬레이션 영역에서도 주목할 만한 잠재력을 선보이며 기후 과학 연구의 새로운 지평을 열었습니다.
이 혁신적인 하이브리드 대기 모델은 2024년 7월 22일, 세계적인 과학 저널 Nature에 그 연구 결과가 게재되며 학계의 큰 관심을 받았습니다.
단기 예보의 정확성을 넘어선 이 모델의 확장된 능력은 기후 변화 예측 및 분석에 있어 중요한 진전을 의미합니다.

기후 모델로서의 가능성: 장기 시뮬레이션 역량

NeuralGCM의 가장 인상적인 특징 중 하나는 전통적인 GCM(General Circulation Models)의 강력한 물리 기반 역학 솔버와 최신 머신러닝 기술을 결합한 하이브리드 구조입니다.
이러한 결합은 모델이 과거의 기후 데이터를 학습하여 미래의 기후 패턴을 예측하는 데 필요한 안정성과 정확성을 동시에 확보할 수 있도록 합니다.
특히, NeuralGCM은 1~15일 기상 예측에서 ECMWF 앙상블 예측과 경쟁력을 확보하며 단기 예측에서도 뛰어난 성능을 보였지만, 진정한 혁신은 그 능력의 장기 시뮬레이션으로의 확장에 있습니다.
이는 기후 모델로서의 NeuralGCM의 가치를 극대화하는 핵심 요소입니다.

열대 저기압 경로 예측의 정확성

기후 변화가 심화됨에 따라 열대 저기압과 같은 극심한 기상 현상의 예측은 더욱 중요해지고 있습니다.
NeuralGCM은 이러한 도전적인 과제에서 현실적인 시뮬레이션 능력을 입증했습니다.
구체적으로, 1.4° 해상도의 NeuralGCM 모델은 ERA5 재분석 데이터에 기록된 86개의 과거 열대 저기압 경로 중 무려 83개를 정확하게 예측해냈습니다.
이는 실제 관측된 현상과 거의 일치하는 수준의 정확도로, 모델이 기후 시스템의 복잡한 역학을 얼마나 효과적으로 학습하고 모방하는지를 보여줍니다.
이러한 능력은 기후 변화에 따른 극단적인 기상 현상의 빈도와 강도 변화를 이해하고, 재해 대비 및 완화 전략을 수립하는 데 필수적인 통찰력을 제공할 수 있습니다.

과거 지구 온난화 경향의 정밀한 포착

기후 모델의 신뢰성을 평가하는 중요한 기준 중 하나는 과거 기후를 얼마나 정확하게 재현하고 예측하는지입니다.
NeuralGCM은 이 분야에서 괄목할 만한 성과를 보였습니다.
이 모델은 40년 기간에 걸친 AMIP 유사 시뮬레이션(해수면 온도 등 경계 조건을 관측 데이터로 고정하는 실험)을 실행하여, ERA5 데이터에서 관찰된 지구 온난화 경향을 데카달(10년 단위) 시뮬레이션에서 정확히 포착했습니다.
모델이 학습에 사용된 ECMWF 재분석 v5 (ERA5)의 약 40년간 역사적 데이터를 통해 과거의 복잡한 기후 변화 패턴을 성공적으로 학습하고 재현할 수 있었음을 의미합니다.
특히, 현실적인 과거 온도 경향을 반영하는 능력은 모델이 미래 기후 시나리오를 예측하는 데 있어 높은 신뢰도를 가질 수 있음을 시사합니다.

전통적 기후 모델 대비 우수한 공간적 편향

기후 모델의 정확성은 단순히 전 지구적 평균 온도를 맞추는 것을 넘어, 지역별 기후 특성을 얼마나 세밀하고 정확하게 묘사하는지에 달려있습니다.
NeuralGCM은 공간적 편향(spatial bias) 측면에서도 기존의 전통적인 기후 모델들을 뛰어넘는 성능을 달성했습니다.
이 모델은 CMIP6 AMIP 실행(기후 모델 상호 비교 프로젝트의 표준화된 시뮬레이션)과 비교했을 때, 1981년부터 2014년까지의 평균적인 공간적 편향이 더 낮게 나타났습니다.
특히, 열대 대류권 상층부 온도 편향을 감소시켜 ERA5 데이터에 더 가까운 열대 온난화 경향을 예측하는 능력을 보여주었습니다.
이는 하이브리드 모델 중 최초로 전역 구름 해상도 모델(X-SHiELD)에 필적하는 공간 편향을 달성했다는 점에서 더욱 주목할 만합니다.
낮은 공간적 편향은 특정 지역의 기온, 강수량 등 중요한 기후 변수들을 더욱 신뢰성 있게 예측할 수 있음을 의미하며, 이는 지역 규모의 기후 변화 영향 평가와 적응 전략 수립에 매우 중요한 역할을 합니다.

평가 항목	NeuralGCM	CMIP6 AMIP 실행
평균 공간적 편향 (1981-2014)	더 낮음	- (NeuralGCM 대비 높음)
열대 대류권 상층부 온도 편향	감소 (ERA5에 더 가까움)	-
구름 해상도 공간 편향	X-SHiELD에 필적	-

효율성과 확장성을 통한 기후 연구 가속화

장기 기후 시뮬레이션은 막대한 연산 자원을 요구합니다.
이러한 점에서 NeuralGCM의 연산 효율성은 기후 모델로서의 가능성을 더욱 높여줍니다.
모델은 기존 GCM 대비 8~40배 낮은 수평 해상도에서도 유사한 성능을 달성하며, 3~5 자릿수 연산 자원 절감 효과를 가져왔습니다.
이는 JAX 라이브러리로 구현된 미분 가능한 동역학 코어 덕분이며, NeuralGCM-1.4° 모델 기준 단일 TPUv4 코어에서 24시간 내 70,000 시뮬레이션 일수를 처리할 수 있는 경이로운 속도를 자랑합니다.
비록 40년 시뮬레이션 중 일부(37개 중 22개)에서만 안정적인 완료를 보이며 아직 개선의 여지가 있지만, 이러한 획기적인 효율성은 향후 더욱 장기간의 기후 시나리오를 빠르고 반복적으로 시뮬레이션할 수 있는 기반을 마련합니다.
이는 기후 변화 연구의 가속화와 더 다양한 미래 기후 시나리오에 대한 탐색을 가능하게 하여, 정책 결정자들이 더욱 견고한 과학적 근거를 바탕으로 기후 행동 계획을 수립할 수 있도록 돕습니다.

4. 명확히 드러난 기술적 한계와 향후 과제

기후 변화 예측 외삽의 한계와 기후 드리프트

구글 딥마인드의 NeuralGCM은 놀라운 성능을 보였음에도 불구하고, 아직 해결해야 할 명확한 기술적 한계들을 안고 있습니다.
가장 두드러진 한계 중 하나는 미래 기후에 대한 외삽 능력이 제한적이라는 점입니다.
특히, 해수면 온도가 4K 증가하는 극단적인 미래 기후 조건에서 시뮬레이션을 진행할 경우 '기후 드리프트' 문제가 발생합니다.
이는 모델이 학습된 범위 밖의 기후 조건에서는 현실과 동떨어진 예측을 내놓을 수 있음을 시사하며, 인공지능 기반 모델이 실제 기후 변화 시나리오를 얼마나 정확하게 반영할 수 있을지에 대한 근본적인 질문을 던집니다.
현재로서는 학습 데이터와 유사한 기후 조건에서 높은 정확도를 보이지만, 전례 없는 기후 변화가 예상되는 미래 시나리오에 대한 신뢰성 있는 예측을 위해서는 이 기후 드리프트 문제를 극복하는 것이 필수적인 과제로 지목됩니다.

예측 결과의 선명도와 물리 기반 모델과의 비교

NeuralGCM의 예측 결과는 특정 측면에서 최첨단 앙상블 예측 시스템인 유럽 중기 예보 센터(ECMWF)의 물리 기반 모델과 경쟁하거나 심지어 능가하는 모습을 보였지만, 예측 결과의 선명도에서는 다소 아쉬운 점을 드러냈습니다.
전력 스펙트럼 기준으로 볼 때, NeuralGCM이 생성하는 예측은 ECMWF의 물리 기반 예측에 비해 상대적으로 흐릿하다고 평가됩니다.
이는 미세한 규모의 기상 현상이나 급변하는 기상 패턴을 포착하는 데 있어 물리 법칙에 기반한 모델이 여전히 우위를 점하고 있음을 의미합니다.
예를 들어, 국지성 호우나 특정 지역의 급격한 온도 변화와 같은 세밀한 기상 현상을 예측하는 데 있어서는 흐릿한 예측이 실질적인 한계로 작용할 수 있습니다.
보다 상세하고 선명한 예측 결과를 얻기 위한 모델의 개선이 향후 중요한 연구 방향이 될 것입니다.

강수량 및 증발량 처리의 복잡성과 미세한 기상 현상 예측

수분 순환은 기후 시스템에서 매우 중요한 요소이지만, NeuralGCM의 현재 버전에서는 강수량과 증발량을 직접적으로 구분하여 예측하지 못한다는 한계가 있습니다.
대신, 대기 칼럼의 전체적인 수분 경향만을 예측하는 방식으로 작동합니다.
이러한 방식은 특히 열대 지방에서 발생하는 극심한 강수-증발 이벤트를 과소평가하는 경향으로 이어집니다.
태풍, 집중호우와 같은 강력한 기상 현상에서는 강수량과 증발량의 정확한 예측이 피해 예방 및 대응에 결정적인 역할을 하므로, 이를 직접적으로 분리하여 예측하고 극심한 기상 현상을 정확히 모사할 수 있도록 모델을 개선하는 것이 시급합니다.
또한, 대규모 기상 패턴의 주요 균형 중 하나인 지균풍 균형 묘사에 있어서도 ECMWF-HRES(고해상도 예측 시스템)가 ERA5 데이터에 약간 더 가깝게 일치하는 것으로 나타나, 세부적인 대기 역학 묘사에서 개선의 여지가 있음을 보여주었습니다.

장기 시뮬레이션의 안정성 문제와 수치적 불안정성

NeuralGCM은 단기 예측에서는 탁월한 성능을 보였지만, 장기 시뮬레이션에서는 수치적 불안정성과 기후 드리프트 문제가 두드러지게 나타났습니다.
예를 들어, 40년 장기 시뮬레이션을 시도한 결과, 총 37개의 시뮬레이션 중 22개만이 안정적으로 완료되었습니다.
나머지 시뮬레이션에서는 모델이 물리적으로 의미 없는 값으로 발산하거나 예측 결과가 현실과 크게 벗어나는 기후 드리프트 현상이 발생하여 중단되었습니다.
이는 NeuralGCM이 기후 예측과 같은 장기적인 시뮬레이션에 활용되기 위해서는 모델의 안정성과 견고성을 대폭 강화해야 함을 의미합니다.
장기적인 기후 시나리오 분석이나 기후 민감도 연구 등에서는 수치적 안정성이 모델의 신뢰도를 결정하는 핵심 요소이므로, 이 문제 해결이 향후 연구의 중요한 축을 이룰 것입니다.

종합적인 지구 시스템 모델로의 발전 과제

현재 NeuralGCM은 주로 대기 시스템에 초점을 맞추고 있으며, 다른 지구 시스템 구성 요소와의 결합이 필수적인 과제로 남아 있습니다.
특히 해양, 육지, 빙권과 같은 다른 시스템과의 상호작용을 통합하고, 온실가스 및 에어로졸과 같은 대기 화학 성분 데이터를 결합하기 위한 모델의 재구성이 필요합니다.
기후는 대기, 해양, 육지, 빙권, 생물권 등 모든 시스템이 복잡하게 상호작용하며 결정되므로, 더욱 정확하고 포괄적인 기후 예측을 위해서는 이러한 지구 시스템 구성 요소들의 통합 모델로 발전해야 합니다.
또한, 구름 피드백과 같이 기후에 미묘하지만 중요한 영향을 미치는 프로세스들을 학습하기 위해서는 현재의 학습 전략을 넘어선 대체 학습 전략의 필요성이 제기되고 있습니다.
마지막으로, AMIP(Atmospheric Model Intercomparison Project) 실행 대비 더 넓은 예측 확산성을 보이는 점도 모델의 불확실성을 줄이기 위한 연구가 필요함을 시사합니다.
이러한 과제들을 해결함으로써 NeuralGCM은 단일 대기 모델을 넘어선 종합적인 차세대 지구 시스템 모델로 진화할 잠재력을 갖출 것입니다.