전력망, 공중보건, 농업에 관한 결정의 바탕이 되는 기후 전망은 지구 시스템 모델에서 나오는데, 이 모델은 너무 정교해 서 시나리오 하나를 슈퍼컴퓨터 클러스터에서 돌리는 데 몇 달이 걸리기도 합니다. 과학자들은 이를 에뮬레이터로 우회합니다. 큰 모델을 흉내 내며 몇 초 만에 돌아가는 빠른 AI 대체 모델입니다. MIT 연구진은 이제 훨씬 적은 데이터로 이런 에뮬레이터를 훈련하고, 처음 보는 상황에도 더 잘 대응하게 만드는 방법을 보고했습니다.
MIT News에 따르면 보통은 에뮬레이터를 현실적인 미래 배출 경로 6~8개로 훈련하는데, 각각을 먼저 완전한 지구 시스템 모델로 돌려야 합니다. 이는 느리고 비싸며, 연구팀은 앞서 이런 방식이 낯선 시나리오에서 실패하는 에뮬레이터를 낳을 수 있다는 것을 발견했습니다. 새 알고리즘은 대신 에뮬레이터를 잘 가르치는 것만을 목표로 한 합성 훈련 세트를 만듭니다. 빠르고 단순한 기후 모델이 만든 임의의 시나리오에서 출발해 에뮬레이터가 이를 얼마나 잘 재현하는지 측정한 뒤, 예컨대 2050년 이산화탄소 급증이나 2037년 메탄 급감처럼 훈련 데이터의 배출량을 조정하며 오차가 기준 아래로 내려갈 때까지 반복합니다.
그렇게 나온 시나리오는 그럴듯한 미래와 전혀 닮지 않았습니다. 급격한 변동과 진동으로 가득한데, 제1저자 Christopher Womack은 이 덕분에 에뮬레이터가 시스템의 반응에 대해 훨씬 많은 정보를 뽑아낼 수 있다고 말합니다. Proceedings of the National Academy of Sciences에 실린 시험에서 이렇게 훈련한 에뮬레이터는 훈련 세트 밖의 시나리오를 예측했는데, 여기에는 한 오염 물질을 줄이는 동안 다른 배출은 계속 늘어나는 지역 규제도 포함되며, 평가한 기존 에뮬레이터들은 이 사례에서 실패했습니다. 사용자는 완전한 모델을 6~8번이 아니라 한 번만 돌리면 됩니다.
머신러닝을 다루는 사람 이라면 익숙한 생각입니다. 훈련 데이터를 얼마나 현실적으로 보이느냐가 아니라 무엇을 가르치느냐로 고르라는 것입니다. Google DeepMind의 날씨 연구부터 더 넓은 AI 에뮬레이터 계열까지, 과학 전반이 빠른 학습 모델로 옮겨 가는 흐름과도 맞닿아 있으며, 그 가치는 수천 개 시나리오를 싸게 시험할 수 있다는 데 있습니다.
한계는 큽니다. 이번 연구의 훈련 시나리오는 단순한 기후 모델에서 나왔고, 연구진은 완전한 지구 시스템 모델이 만든 시나리오로 시험하는 것은 앞으로의 과제라고 말합니다. 결과는 논문에서 평가한 에뮬레이터와 사례에 한정됩니다. 일부러 비현실적인 데이터로 훈련한 도구를 정책 결정자가 믿을지는 이 연구가 답하지 못하는 별개의 질문입니다.