AI 기상 모델의 물리적 원리

AI 기상 모델이 비록 전통적인 수치 예보 모델 (NWP models)에서 사용하는 방정식은 아닐지라도, 물리 방정식을 풀고 있는 것일까요? 우리는 예측 성능 (forecast skill)과 중심 커널 정렬 (Centered Kernel Alignment)의 상관관계를 계산하여, 서로 다른 AI 기상 모델들이 아키텍처 (architecture)와 용량 (capacity)의 차이에도 불구하고 대기를 유사한 방식으로 표현한다는 증거를 제시합니다. 우리는 AI 모델의 아키텍처와 학습 과정이 모델이 시뮬레이션할 수 있는 물리 법칙의 형태를 제한한다고 주장합니다. 특히, 우리는 모델이 대기의 입자 기술 (particle description)을 구현한다고 제안하며, 여기서 각 격자점 (mesh point)의 잠재 변수 (latent variables)는 고차원 잠재 공간 (high dimensional latent space) 내 입자의 위치에 대응합니다. 우리는 입자의 움직임이 학습된 자유 에너지 범함수 (free energy functional)의 최솟값을 향해 잠재 공간 내에서 경사 흐름 (gradient flow)을 따른다는 가설을 세웁니다. GraphCast 및 Aurora 모델에 대한 분석 결과, 이 모델들은 초기 프로세서 계층 (processor layers)에서는 큰 공간 규모에서 변화를 일으키고, 계층의 깊이가 깊어질수록 더 작은 규모로 이동함을 보여주며, 이는 경사 흐름 가설과 일치합니다.