날씨에서 가장 예측하기 어려운 변수 중 하나는 강수량이며, 이는 홍수 예측의 주요 불확실성 요인입니다. 그러나 이 새로운 구글의 AI 시스템은 강수량 예측을 완전히 건너뛰고 대신 알려진 다른 모든 요소를 바탕으로 홍수를 예측하려 합니다.

주요 과제는 이러한 홍수 예측이 가장 필요한 국가들이 종종 학습 알고리즘을 위한 충분한 학습 데이터가 없다는 것입니다. 이 새로운 기술은 미국과 다른 국가의 데이터를 재사용하여 불우한 지역에 적용할 수 있습니다.

놀랍게도 이 새로운 AI 시스템은 전 세계적으로 사용되는 Global Flood Awareness Systems보다 더 정확합니다. 이는 단순히 정부뿐만 아니라 시민들에게도 큰 도움을 줄 수 있는 놀라운 진보입니다. 이러한 홍수 예측 모델 중 일부는 심지어 스마트폰에서 실행할 수 있을 만큼 저렴합니다.

구글은 전통적인 물리 기반 시뮬레이션을 능가하는 새로운 기상 예측 접근 방식을 개발했습니다. 계산 집약적인 기상 모델에 의존하는 대신 확산 기반 AI 모델을 사용하여 역사적 관측치에서 합리적인 기상 데이터를 생성합니다.

핵심 통찰은 텍스트 프롬프트에서 이미지를 생성하는 데 사용되는 확산 모델을 기상 데이터에도 적용할 수 있다는 것입니다. 이러한 모델은 무작위 노이즈에서 시작하여 점진적으로 현실적인 기상 패턴으로 변환하면서 극端 기상 현상의 세부 사항을 학습합니다.

이 접근 방식은 전통적인 방법보다 여러 가지 장점이 있습니다. 첫째, 복잡한 기상 시뮬레이션을 실행할 필요가 없기 때문에 훨씬 적은 계산 능력이 필요합니다. 둘째, 훨씬 더 많은 역사적 기상 관측 데이터를 활용할 수 있어 AI가 더 포괄적인 패턴을 학습할 수 있습니다.

그 결과 NVIDIA의 FourCastNet과 DeepMind의 GraphCast를 포함한 이전 기술보다 더 정확한 기상 예측 시스템이 만들어졌습니다. 이 혁신은 특히 데이터와 계산 자원이 제한된 지역의 기상 예보를 크게 개선할 수 있어 극端 기상 현상을 더 잘 예측함으로써 많은 생명을 구할 수 있습니다.

항공기 배출 라인, 즉 contrails은 지구 온도에 측정 가능한 영향을 미칠 수 있습니다. contrails의 약 5%만이 장기적인 영향을 미치지만 이 영향은 상당합니다. 이 문제를 해결하기 위해 연구자들은 어떤 비행기가 어떤 노선에서 이러한 지속성 contrails을 만들 가능성이 높은지 예측할 수 있는 AI 기반 시뮬레이션을 개발했습니다.

과제는 contrails과 유사한 모습의 권운을 정확하게 구분하는 것입니다. 그러나 연구자들은 두 가지를 구분할 수 있는 신뢰할 수 있는 방법을 찾아냈고, 이를 통해 AI 시스템이 이 문제를 학습할 수 있게 되었습니다.

이 접근 방식의 효과를 테스트하기 위해 연구자들은 American Airlines와 함께 시범 운영을 실시했습니다. AI의 예측을 바탕으로 일부 노선 조정을 제안한 결과 열 가두기 contrails 생성이 54% 감소했고 연료 사용량은 0.3% 증가했습니다. 이 순효과는 현재 접근 방식보다 환경에 20배 더 좋습니다.

지속성 contrails이 생길 가능성이 높은 지역을 의도적으로 피함으로써 항공사는 운영에 거의 영향을 미치지 않으면서도 지구 온도에 대한 영향을 크게 줄일 수 있습니다. 이 혁신적인 AI 기술의 활용은 항공 여행의 지속 가능성을 높이고 기후 변화 대응에 기여할 수 있습니다.