주방보다 레시피가 더 중요하다: 인공지능 기상 예측 파이프라인의 수학적 기초

The Recipe Matters More Than the Kitchen:Mathematical Foundations of the AI Weather Prediction Pipeline

인공지능 기반 기상 예측 기술은 빠르게 발전해 왔지만, 예측 정확도를 결정하는 요인에 대한 통합적인 수학적 설명은 아직 존재하지 않습니다. 기존의 이론은 특정 아키텍처 선택에 초점을 맞추고 있지만, 2023년부터 2026년까지의 실제 운영 데이터를 통해 훈련 방법론, 손실 함수 설계, 그리고 데이터 다양성이 아키텍처 선택만큼 중요함을 알 수 있습니다. 본 논문은 두 가지 중요한 내용을 다룹니다. 이론적으로, 우리는 구면 근사 이론, 동역학 시스템 이론, 정보 이론, 그리고 통계 학습 이론에 기반한 프레임워크를 구축하여, 아키텍처뿐만 아니라 전체 학습 파이프라인(아키텍처, 손실 함수, 훈련 전략, 데이터 분포)을 포괄적으로 다룹니다. 우리는 학습 파이프라인 오류 분해(Learning Pipeline Error Decomposition)를 통해 현재 규모에서 추정 오류(손실 및 데이터 의존적)가 아키텍처에 의존하는 근사 오류보다 지배적인 역할을 한다는 것을 보여줍니다. 우리는 구면 조화 좌표에서 MSE(평균 제곱 오차)로 인한 스펙트럴 블러링을 형식화하는 손실 함수 스펙트럴 이론을 개발하고, 데이터 기반 모델이 기록적인 극한값을 체계적으로 과소평가하며, 이러한 편향이 기록 초과량에 선형적으로 증가한다는 것을 증명하는 분포 외 추정(Out-of-Distribution Extrapolation) 경계를 도출합니다. 경험적으로, 우리는 NVIDIA Earth2Studio를 사용하여 ERA5 초기 조건을 가진 10개의 다양한 아키텍처를 가진 인공지능 기상 모델에 대한 추론을 통해 이러한 예측을 검증합니다. 30개의 초기화 날짜를 사용하여 모든 계절에 걸쳐 6가지 지표를 평가합니다. 결과는 MSE로 훈련된 모델에서 고주파수 영역에서 발생하는 보편적인 스펙트럴 에너지 손실, 대부분의 예측 오류가 아키텍처에 관계없이 공유되는 것을 나타내는 상승하는 오류 합의 비율(Error Consensus Ratios), 그리고 극한 이벤트 동안 발생하는 선형적인 음의 편향을 확인합니다. 우리는 통합적인 다차원 평가를 위한 '전체 모델 평가 점수(Holistic Model Assessment Score)'를 제공하며, 훈련 전에 제안된 파이프라인을 수학적으로 평가할 수 있는 지침을 제시합니다.

AI weather prediction has advanced rapidly, yet no unified mathematical framework explains what determines forecast skill. Existing theory addresses specific architectural choices rather than the learning pipeline as a whole, while operational evidence from 2023-2026 demonstrates that training methodology, loss function design, and data diversity matter at least as much as architecture selection. This paper makes two interleaved contributions. Theoretically, we construct a framework rooted in approximation theory on the sphere, dynamical systems theory, information theory, and statistical learning theory that treats the complete learning pipeline (architecture, loss function, training strategy, data distribution) rather than architecture alone. We establish a Learning Pipeline Error Decomposition showing that estimation error (loss- and data-dependent) dominates approximation error (architecture-dependent) at current scales. We develop a Loss Function Spectral Theory formalizing MSE-induced spectral blurring in spherical harmonic coordinates, and derive Out-of-Distribution Extrapolation Bounds proving that data-driven models systematically underestimate record-breaking extremes with bias growing linearly in record exceedance. Empirically, we validate these predictions via inference across ten architecturally diverse AI weather models using NVIDIA Earth2Studio with ERA5 initial conditions, evaluating six metrics across 30 initialization dates spanning all seasons. Results confirm universal spectral energy loss at high wavenumbers for MSE-trained models, rising Error Consensus Ratios showing that the majority of forecast error is shared across architectures, and linear negative bias during extreme events. A Holistic Model Assessment Score provides unified multi-dimensional evaluation, and a prescriptive framework enables mathematical evaluation of proposed pipelines before training.