AI 생성 이미지
AI 기상예측 모델을 볼 때 이제 속도만으로는 충분하지 않습니다. 날씨는 하나의 정답으로 수렴하는 문제가 아니라, 여러 가능한 미래와 그 가능성을 함께 다뤄야 하는 문제이기 때문입니다.
Mosaic은 이 관점에서 봐야 할 확률적 기상 모델입니다. 24개 멤버로 구성된 10일 전 지구 예보를 단일 H100 GPU에서 12초 미만에 생성한다고 소개됐습니다.1 인상적인 성능이지만, Mosaic의 핵심은 단순히 “빠른 예보”가 아닙니다. 더 중요한 질문은 빠르게 만든 여러 예보가 실제 대기처럼 충분히 다양하고, 세부 구조를 보존하느냐입니다.
빠른 예보보다 중요한 문제: 흐릿해지는 날씨
ML 기반 날씨 모델은 종종 예보가 지나치게 매끈해지는 문제를 겪습니다. 평균적인 정답에 맞춰 학습하다 보면 작은 규모의 변동이 약해지고, 국지적인 날씨 패턴이나 고주파 성분이 희미해질 수 있습니다.
Mosaic은 이 문제를 스펙트럼 충실도 관점에서 다룹니다. 스펙트럼은 날씨장의 크고 작은 공간 변동이 주파수별로 얼마나 유지되는지를 보는 방식입니다. 논문은 ML 기반 예보에서 나타나는 스펙트럼 열화와, 거친 잠재 격자로 압축하는 과정에서 생기는 앨리어싱 아티팩트를 주요 문제로 짚습니다.2
즉 Mosaic이 겨냥하는 것은 “예보를 더 빨리 만드는 법”만이 아니라, 빠르게 생성한 예보가 물리적으로 그럴듯한 세부 구조를 잃지 않게 하는 방법입니다.
Mosaic은 어떻게 앙상블을 만드는가
확률 예보에서 중요한 것은 여러 개의 예보 멤버가 단순히 숫자만 다르게 나오는 것이 아닙니다. 각 멤버가 가능한 대기 상태를 설득력 있게 표현해야 합니다.
Mosaic은 이를 위해 함수형 섭동을 사용해 앙상블 멤버를 생성합니다.2 입력 자료에 단순 잡음을 더하는 방식이라기보다, 모델 내부의 함수적 변화를 통해 여러 가능한 미래를 만들어내는 접근입니다. 이 구조는 확률 예보에서 필요한 다양성을 더 자연스럽게 확보하려는 시도로 볼 수 있습니다.
메시 정렬 블록 희소 어텐션의 역할
Mosaic의 또 다른 핵심은 메시 정렬 블록 희소 어텐션입니다.2 이 방식은 인접한 공간 쿼리들이 키와 값을 공유하도록 설계되어 있습니다. 그 결과 모든 지점을 모든 지점과 직접 비교하는 무거운 계산을 피하면서도, 전 지구 규모의 장거리 의존성을 선형 비용으로 포착하도록 설명됩니다.2
이 설계는 단순한 계산 최적화가 아닙니다. Mosaic은 거친 잠재 격자로 먼저 압축한 뒤 복원하는 과정에서 생길 수 있는 앨리어싱 문제를 줄이는 데 초점을 둡니다.2 네이티브 해상도 격자에서 중요한 공간 정보를 더 잘 유지하려는 방향입니다.3
Mosaic을 볼 때의 판단 기준
Mosaic의 의미를 “AI가 기존 기상예보를 대체한다”로 단순화하면 핵심을 놓치기 쉽습니다. 더 실용적인 해석은 AI 기상 모델을 평가할 때 속도, 확률적 다양성, 스펙트럼 충실도를 함께 봐야 한다는 점입니다.
특히 에너지 수요 예측, 태풍 경로 분석, 재난 대응처럼 단일 예보보다 가능한 범위가 중요한 분야에서는 앙상블의 품질이 곧 의사결정 품질로 이어집니다. 빠른 모델이라도 멤버들이 모두 흐릿한 평균값에 가깝다면 활용에는 한계가 있습니다.
Mosaic이 보여주는 방향은 분명합니다. 앞으로의 AI 기상예측은 “얼마나 빨리 예보하느냐”에서 더 나아가, “가능한 미래의 분포를 얼마나 그럴듯하게 표현하느냐”로 평가되어야 합니다.
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.