물리 시스템을 위한 딥러닝 (Deep Learning)의 인기가 계속 높아짐에 따라, 일반화 성능 (Generalizability)을 향상시키려는 노력은 주로 물리적 제약 조건을 내장하는 아키텍처 (Architecture)를 설계하는 데 집중되어 왔습니다. 그러나 머신러닝 대리 기후 모델 (Machine-learning surrogate climate models, 에뮬레이터 (Emulators))의 경우, 훈련 데이터를 생성하는 데 흔히 사용되는 기존 시나리오들의 낮은 구조적 다양성이 예측 기술 (Predictive skill)의 한계를 설정한다는 것을 우리는 보여줍니다. 본 연구에서는 일반화를 개선하기 위해 훈련 데이터셋 자체를 최적화할 수 있는지 조사합니다. 우리는 훈련 데이터에 존재하지 않는, 구조적으로 다른 새로운 시나리오로 일반화할 수 있는 에뮬레이터를 생성하는 데이터셋 제작 방법을 소개합니다. 우리는 미분 가능한 단순 기후 모델 (Simple Climate Model, SCM)을 사용하여 훈련 데이터의 섭동 (Perturbations)에 대한 에뮬레이터 손실 (Loss)의 민감도를 계산하고, 에뮬레이터의 기술을 극대화하기 위해 훈련 데이터를 반복적으로 업데이트합니다. SCM의 경우, 이러한 방식으로 최적화된 하나의 시나리오로 훈련하는 것이 6개의 표준 ScenarioMIP 경로 (Pathways)로 훈련된 에뮬레이터보다 더 나은 성능을 보입니다. 우리는 더 작은 데이터셋으로 훈련했음에도 불구하고 이러한 높은 예측 기술을 달성했으며, 우리의 에뮬레이터가 단일 강제력 실행 (Single-forcing runs) 없이도 서로 다른 기후 강제력 요인(예: 온실가스 vs 에어로졸)의 뚜렷한 물리적 거동을 성공적으로 분리해낸다는 것을 발견했습니다. 그런 다음 우리는 SCM을 사용하여 최적화된 시나리오가 중간 복잡도 기후 모델 (Intermediate-complexity climate model)을 구동할 때, ScenarioMIP 출력값으로 훈련하는 것보다 더 숙련된 에뮬레이터를 생성하는 훈련 데이터셋을 만들어낸다는 것을 입증합니다. 우리의 결과는 전체 규모의 기후 모델을 실행하는 계산 제약적 (Compute-constrained) 환경에서, 소수의 역동적으로 풍부한 시나리오를 생성하는 것이 전통적인 배출 경로 (Emissions pathways) 세트를 확장하는 것보다 에뮬레이션 및 시스템 반응 특성화에 더 큰 한계 효용을 제공함을 시사합니다.