본 논문은 다양한 배출 시나리오에 따른 기후 결과를 탐색하는 데 제약이 되는 계산 비용이 많이 드는 고성능 지구 시스템 모델(ESMs)의 한계를 극복하기 위해, ESMs를 근사하는 효율적인 에뮬레이터의 성능을 평가하는 연구를 수행했습니다. 특히, 기후 에뮬레이션에서 널리 사용되는 벤치마크인 ClimateBench를 사용하여 심층 학습 기반 에뮬레이터와 선형 회귀 기반 에뮬레이터(패턴 스케일링 유사)의 성능을 비교했습니다. 그 결과, 선형 회귀 기반 에뮬레이터가 1억 개의 파라미터를 가진 심층 학습 기반 에뮬레이터인 ClimaX보다 지표면 온도와 강수량을 포함한 4개의 지역별 기후 변수 중 3개에서 더 나은 성능을 보였습니다. 특히, 강수량과 같이 노이즈가 많은 변수에서 심층 학습 에뮬레이터가 저주파의 내부 변동성 노이즈에 과적합되어 성능이 저하되는 현상을 발견했습니다. 이를 해결하기 위해, 배출 시나리오당 기후 시뮬레이션 수를 늘리고 벤치마크 대상을 업데이트하여 실험을 반복한 결과, 선형 패턴 스케일링은 온도 에뮬레이션에서 여전히 더 정확했지만, 강수량 에뮬레이션에서는 심층 학습 기반 기법이 더 나은 성능을 보였습니다. 연구 코드와 데이터는 github.com/blutjens/climate-emulator에 공개되었습니다.
