머신러닝 에뮬레이터(Machine-learning emulators)는 기상 예측에 점점 더 많이 사용되고 있으며, 역학적으로 중요한 예측 가능성 원천을 학습함으로써 아계절-계절(subseasonal-to-seasonal) 시간 규모에서의 예측 성능을 확장할 잠재력을 가지고 있습니다. 핵심 과제는 모델이 짧은 예보 기간을 넘어 대류권 순환에 영향을 미치는 성층권 변동성과 같은 예측 가능성 앵커(predictability anchors)를 활용할 수 있는지 여부입니다. 우리는 강제된 wave-2 가열 섭동(heating perturbation)만 다른 쌍을 이룬 이상화된 Isca 시뮬레이션을 사용하여, 아키텍처의 귀납적 편향(architectural inductive bias)이 갑작스러운 성층권 승온(SSW) 역학의 에뮬레이션에 어떤 영향을 미치는지 테스트합니다. 1단계 예측(one-step prediction)을 위해 학습된 합성곱(convolutional), 트랜스포머(transformer), 그래프 기반(graph-based) 아키텍처 전반에 걸쳐, 성층권이 역학적으로 조용할 때는 모델 간의 차이가 미미하지만, SSW와 유사한 변동성이 활성화될 때는 그 차이가 상당히 커집니다. 우리의 결과는 명시적인 3차원 수직 결합(three-dimensional vertical coupling)이 성층권 역학의 머신러닝 에뮬레이션을 위한 핵심적인 귀납적 편향임을 식별합니다. 그러나 Eliassen-Palm 플럭스 진단(diagnostics) 결과에 따르면, 낮은 예측 오차가 물리적으로 충실한 파동-평균 흐름 상호작용(wave-mean-flow interaction)을 보장하지는 않으며, 성층권 파동 구동 구조(stratospheric wave-driving structure)에서 일관된 오차가 남아 있음을 보여줍니다.