HybridOM: Hybrid Physics-Based and Data-Driven Global Ocean Modeling with Efficient Regional Downscaling

Motivation

• Known: 전통적 수치 solver(GCM 등)는 물리적으로 정확하고 해석 가능하지만 계산 비용이 매우 크며, 특히 고해상도 지역 downscaling에서 경계 조건 생성 비용이 크다. 반면 순수 딥러닝 기반 해양 에뮬레이터는 추론이 빠르지만 물리 법칙(질량·운동량 보존 등)을 위반하고 장기 rollout에서 불안정한 경우가 많다.
• Gap: 대기과학 및 CFD 분야에서 미분가능 solver와 신경망을 결합한 "gray-box" 모델링이 성공했지만, 해양의 고유한 유체 특성과 지배 방정식 차이로 인해 이를 그대로 해양에 적용할 수 없으며, 현실적이고 고해상도인 해양 시뮬레이션·예보를 위해 특별히 설계된 하이브리드 해양 모델은 현재까지 존재하지 않는다.
• Why: 차세대 해양 디지털 트윈(ocean digital twin) 구축을 위해서는 물리적 일관성을 유지하면서도 계산 효율이 높은 글로벌 해양 모델이 필수적이며, 이는 S2S(subseasonal-to-seasonal) 예측 및 단기 운용 예보 모두에 걸쳐 기후과학과 재해 저감, 블루 이코노미에 중요한 영향을 미친다.
• Approach: HybridOM은 물리 법칙을 강제하는 미분가능 수치 solver(Physical Skeleton, Mphy)와 subgrid-scale 동역학을 보정하는 신경망(Neural Flesh, Nθ)을 시간 적분 루프 내부에 직접 결합하고, a posteriori trajectory 최적화로 다중 스텝 누적 오차를 학습하며, flux gating 기반의 물리 정보 지역 downscaling 메커니즘을 추가로 도입한다.

Achievement

1. 글로벌 미분가능 하이브리드 아키텍처: 물리 핵심(differentiable physical core)과 다중 스케일 신경망을 결합하여 물리적 해석 가능성과 AI의 적합 능력을 결합, 장기 안정성에서 기존 baseline 대비 크게 우수한 고정밀·강건·물리 일관적 글로벌 해양 시뮬레이터를 달성.
2. SOTA 운용 예보 시스템: FuXi-2.0 기상 예보 모델과 결합하여 현실적인 글로벌 해양 예보 시스템을 구축, 표준 운용 프로토콜 하에서 10일 글로벌 해양 예보에서 SOTA 성능을 달성.
3. 효과적인 물리 정보 기반 downscaling: 동역학 핵심의 고유 열역학 플럭스를 활용하는 새로운 Flux Gating 메커니즘을 도입하여 조밀(coarse) 글로벌 시뮬레이션과 고해상도 지역 동역학 사이의 간극을 채우고, AI 기반 지역 해양 모델링의 공백을 효과적으로 메움.

How

• Physical Skeleton(Mphy): 위치 벡터(potential vorticity, PV) 계산, geostrophic 속도 계산을 위한 inverse mapping(Ninv), advection-diffusion 기반 T/S transport를 포함하는 경량 미분가능 동역학 solver를 구성.
• Neural Flesh(Nθ): OceanDynamicsModel(ODM)을 통해 물리 solver가 놓치는 subgrid 난류 및 복잡한 열역학 상호작용을 잔차 강제력(residual forcing, R=(Ru,Rv,RT,RS))으로 학습.
• Hybrid Integration: 물리 tendency(P)와 신경망 잔차(R)를 시간 적분 스킴에서 결합하여 Xt+1을 계산하며, 물리 solver 자체는 학습 가능한 inversion operator(Ninv)를 제외하면 신경망 파라미터가 없음.
• 학습 전략: 1-step 회귀 대신 K=5일 rollout에 대한 a posteriori trajectory 최적화를 채택하여 누적 오차(cumulative loss)를 최소화하고, solver를 통한 gradient backpropagation으로 신경망이 장기 수치 drift를 능동적으로 상쇄하도록 학습.
• Flux-Gated Downscaling: 조밀 글로벌 시뮬레이션에서 나온 대규모 열역학 플럭스(Ft)를 미분가능 flux gating을 통해 고해상도 지역 시뮬레이션에 주입하여 경계 일관성을 유지.
• 검증: GLORYS12V1과 OceanBench 데이터셋을 사용해 장기 S2S 시뮬레이션과 FuXi-2.0과 결합한 단기 운용 예보 두 체제에서 성능을 검증.

Originality

• 물리 solver를 신경망과 loose coupling이 아닌 시간 적분 루프 내부에 직접 embedding하여 결합하는 최초의 해양 특화 differentiable hybrid 아키텍처를 제안.
• 기존 대기과학·CFD에서의 gray-box 모델링을 해양의 고유 지배 방정식(예: PV, geostrophic balance 등)에 맞게 재설계.
• 물리 핵심에서 자연스럽게 도출되는 열역학 플럭스를 활용한 Flux Gating이라는 새로운 물리 정보 기반 지역 downscaling 메커니즘을 최초로 도입, 기존에 미개척 영역이던 동적 해양 downscaling에 딥러닝을 적용.
• a posteriori multi-step trajectory 최적화를 통한 학습 방식으로 장기 rollout 안정성을 확보.

Limitation & Further Study

• K=5일로 unroll 길이를 고정한 이유가 "diminishing gains"라는 설명에 그쳐, 더 긴 rollout이나 다른 태스크에서의 일반화 가능성에 대한 심층 분석이 부족함.
• FuXi-2.0과의 결합이 순차적(loose coupling) 방식으로 이루어져, 완전한 공동학습(end-to-end joint training) 대비 오차 전파 및 상호작용에 대한 한계가 존재할 수 있음.
• 논문 발췌 부분에서는 다양한 해양 변수(온도, 염분, 유속 외 해빙, 생지화학 등)나 극한 이벤트(해양열파 등)에 대한 일반화 성능 검증이 명시적으로 드러나지 않아 추가 검증이 필요.
• 지역 downscaling이 특정 지역에 국한된 실험으로 보이며, 전 지구 다양한 해역에 대한 일반화 가능성 및 계산 비용에 대한 정량적 분석이 더 필요.

Evaluation

총평: 물리 기반 solver와 신경망을 시간 적분 루프에 직접 결합하고 물리 정보 기반 flux gating downscaling을 도입한 독창적이고 실용적인 하이브리드 글로벌 해양 모델로, 해양 디지털 트윈 구축에 중요한 기여를 하지만 다양한 지역·변수에 대한 일반화 검증이 추가로 필요하다.