콘텐츠의 제휴사 링크를 통해 구매하면 추가 비용 없이 수수료를 받을 수 있습니다. 
인간이 통제할 수 없는 대표적인 것은 바로 날씨다. 예측할 수 없는 날씨에 따라 매일의 선택이 좌우되는 세상에서 정확한 일기 예보는 일상의 필수품이다. 이런 상황에서 구글은 연구 부서인 딥마인드와 신경망에 초점을 맞춘 구글 AI 그래프캐스트(GraphCast)를 통해 일기 예보 분야에서 상당한 진전을 이뤘다.
일기 예보는 지난 몇 세기 동안 먼 길을 걸어왔지만, 과거 기록과 머신러닝을 결합하여 더 밝은(또는 비가 오거나 흐린) 미래를 예측할 수 있는 인공지능(AI)의 발전과 함께 큰 진전을 이루었다.
기존 Vs. AI 기반 일기 예보
기존의 수치 일기 예보(NWP) 시스템은 유체 역학 및 열역학과 같은 원리를 통해 대기의 움직임을 시뮬레이션하는 수학적 모델과 방정식에 의존한다.
이러한 모델은 전 세계 여러 지역에서 수십 년에 걸친 광범위한 관측 데이터를 바탕으로 지상 기상 관측소와 인공위성을 사용하여 온도와 풍속 등의 데이터를 수집하며, 복잡한 계산을 위해 슈퍼컴퓨터가 필요한 경우가 많다.
관련 영문 기사 읽어보기: What is the Faster Supercomputer in the World?
AI 기반 일기 예보는 기상 데이터와 과거 기상 정보를 살펴보고 이를 머신러닝(ML) 모델의 입력으로 사용한다.
지도학습과 심층 신경망을 사용하는 경우가 많은 이러한 모델은 구조화된 과거 데이터를 학습하여 날씨 변수와 결과 간의 관계를 학습한다.
학습이 완료되면 모델은 실시간 데이터를 기반으로 예측을 수행하여 단기 및 장기 예측을 제공한다. 지속적인 학습을 통해 시스템은 변화하는 날씨 패턴에 적응할 수 있다. 예측은 실제 상황과 비교하여 검증되며, 정확도를 높이기 위해 시스템을 미세 조정한다.
그래프 신경망(GNNs)
그래프 신경망(GNN)은 그래프로 표시된 데이터를 처리하도록 설계된 특수한 유형의 신경망이다.
소셜 네트워크의 친구와 유사하게, GNN에서 노드는 메시지 전달을 통해 이웃과 정보를 교환하고, 노드는 이 정보를 활용하여 스스로를 개선한다. GNN은 노드의 행동과 노드 간의 관계를 이해하여 노드의 다음 상태를 예측하고 숨겨진 관계를 발견하여 추천 또는 트렌드에 대한 인사이트를 제공하는 데 사용된다.
관련 영문 기사 읽어보기: How AI is Massively Increasing Our Understanding of Earthquakes
GNN을 일기 예보에 어떻게 적용할 수 있는지 이해하려면 지구를 소셜 네트워크처럼 서로 연결된 광대한 지역 그래프로 상상해 보면 된다. 이 비유에서 지역들은 우정이 아닌 날씨 의존성을 통해 연결된다. GNN은 소셜 네트워크에서 친구를 통해 누군가에 대해 알아가는 것처럼, 지역의 이웃과 ‘소통’하여 서로의 관계를 이해하려는 기상 탐정 역할을 한다.
GNN은 과거 데이터를 통해 학습함으로써 지역 간의 날씨 의존성을 해독하고 시간이 지남에 따라 날씨의 역학 관계가 어떻게 변하는지를 파악한다. 훈련이 완료되면 GNN은 각 지역의 미래 기상 조건과 기상 조건이 주변 지역에 미치는 영향을 예측할 수 있다.
구글 AI 그래프캐스트: 일기 예보의 새로운 관점
구글 AI 그래프캐스트는 일기 예보에 대한 혁신적인 접근 방식으로, GNN을 활용하여 방대한 지구 지역 네트워크에서 날씨 의존성을 탐색한다. 기존 방식에서 벗어나 날씨 모델링에 유연성과 적응성을 제공함으로써 복잡한 상호작용을 효과적으로 처리할 수 있다.
관련된 방법과 도구는 다음과 같다:
모델 구조: 구글 AI 그래프캐스트의 모델 구조는 인코더, 프로세서, 디코더의 세 가지 주요 구성 요소로 이루어져 있다. 인코더는 고유한 메커니즘을 활용하여 그리드 포인트(지구 영역을 나타내는)를 매핑하여 내부 ‘멀티 메시’ 표현에서 노드 속성을 학습한다.
프로세서는 16개의 비공유 GNN 레이어로 무장하여 멀티 메시에서 학습된 메시지 전달을 효율적으로 수행한다. 그런 다음 디코더는 이러한 학습된 특징을 위도-경도 그리드에 다시 매핑하여 출력을 가장 최근 입력 상태에 대한 잔여 업데이트로 예측한다.
효율적인 처리 및 훈련: 구글은 유럽 중기 예보 센터(ECMWF)의 40년간의 기상 데이터를 포함하는 훈련 데이터 세트를 사용하여 그래프캐스트를 훈련한다. 엄격한 훈련 방식에도 그래프캐스트는 뛰어난 효율성을 보여주며, 단일 구글 TPU v4 머신에서 1분 이내에 10일간의 일기 예보를 생성한다. 이는 슈퍼컴퓨터로 예측하는 데 몇 시간이 걸리는 기존 방식에 비해 크게 발전한 것이다.
예측 및 평가: 구글 AI 그래프캐스트는 최대 열흘 전에 기상 조건을 예측하여 다양한 고도에서 온도, 습도, 풍속 및 다양한 변수를 예측한다. 표준 일기 예보 알고리즘인 HRES와의 내부 평가에서 그래프캐스트는 분석된 기상 변수의 90% 이상에서 높은 정확도를 보였으며, 특히 대류권에서 탁월한 성능을 발휘했다.
영향 및 향후 전망
그래프캐스트의 기술 발전은 일기 예보 분야에 큰 영향을 미친다:
1. 비용 효율성: 기존의 슈퍼컴퓨팅에 의존하던 방식에서 벗어나, 구글 AI 그래프캐스트는 일기 예보에 대한 보다 비용 효율적이고 접근하기 쉬운 접근 방식을 제공한다.
2. 향상된 예측 정확도: 광범위한 데이터 세트에서 학습하고 새로운 정보에 적응할 수 있는 능력을 활용하여 구글 AI 그래프캐스트는 더욱 정확하고 신뢰할 수 있는 예보를 제공할 수 있는 잠재력을 보유하고 있다.
3. 실시간 예측: 구글 AI 그래프캐스트의 향상된 효율성은 예보의 신속한 생성을 촉진하여 적시에 날씨 업데이트를 제공하고 긴급 상황에 신속하게 대응할 수 있도록 하는 데 중요한 역할을 한다.
4. 연구 지평 확장: 이 모델의 유연성과 확장성은 광범위한 기후학 연구에 유용한 도구로 자리매김하고 있다. 이 모델은 기후 변화 및 대기 과학과 관련된 연구에서 중요한 역할을 하며, 일상적인 일기 예보를 넘어 그 영향력을 확장하고 있다.
도전과제
구글 AI 그래프캐스트의 인상적인 성능에도 특정 한계를 인정하는 것이 중요하다.
기존의 NWP와 달리 구글 AI 그래프캐스트와 같은 AI 시스템은 관측된 기상 조건과 과거 데이터에 크게 의존한다. 이 시스템은 초기화를 위해 유럽 중기 예보 센터(ECMWF)에 의존하기 때문에 전례가 없거나 급변하는 기상 현상을 예측하는 데 어려움이 있다.
이러한 한계를 인식한 개발자들은 최신 데이터로 주기적으로 재훈련할 수 있다는 점을 강조하며 구글 AI 그래프캐스트의 적응성을 강조한다. 이러한 접근 방식을 통해 시스템은 기후 변화의 영향과 긴 기후 진동을 포함하여 진화하는 날씨 패턴을 포착할 수 있다.
결론
구글 AI 기반 예보 시스템인 그래프캐스트는 날씨 예측을 재정의한다. 고급 신경망을 활용하여 대기의 복잡성을 해독함으로써 기존의 수치적 날씨 예측 모델을 능가한다.
비용 효율성, 실시간 예측, 광범위한 기후학 연구에 지대한 영향을 미치는 구글 AI 그래프캐스트는 보다 정확하고 신속한 날씨 예측을 향한 중추적인 전환점을 마련했다. 여러 어려움에도 불구하고, 이러한 적응성은 진화하는 날씨 패턴을 탐색하고 기후 변화의 영향에 대처하는 데 있어 유망한 미래를 보여준다.
구글 AI 그래프캐스트는 복잡한 대기 역학에 대한 이해를 깊게 하고, 산업계와 인류에게 내일 창밖의 날씨를 더욱 정확하게 예측할 수 있도록 AI를 일기 예보에 통합하는 획기적인 단계를 의미한다.
