HVR-Met: 극단적인 기상 현상 진단을 위한 가설 검증 및 재계획 에이전트 시스템

HVR-Met: A Hypothesis-Verification-Replaning Agentic System for Extreme Weather Diagnosis

딥러닝 기반의 기상 예측 기술은 상당한 발전을 이루었지만, 극단적인 기상 현상 진단은 여전히 해결해야 할 어려운 과제입니다. 이는 진단 과정이 정교한 다단계 논리적 추론, 동적인 도구 활용, 그리고 전문가 수준의 사전 판단을 요구하기 때문입니다. 에이전트는 작업 분해 및 자율 실행 측면에서 장점을 가지고 있지만, 현재의 아키텍처는 여전히 다음과 같은 중요한 문제점에 직면해 있습니다. 즉, 전문가 지식 통합 부족, 전문적인 수준의 반복적 추론 루프 부재, 그리고 극단적인 조건 하에서 복잡한 워크플로우에 대한 세밀한 검증 및 평가 시스템 부족입니다. 이에, 본 연구에서는 전문가 지식을 깊이 통합한 다중 에이전트 기상 진단 시스템인 HVR-Met을 제안합니다. HVR-Met의 핵심 혁신은 ``가설-검증-재계획(Hypothesis-Verification-Replanning)`` 폐쇄 루프 메커니즘으로, 극단적인 기상 현상 동안 발생하는 이상 기상 신호에 대한 정교한 반복적 추론을 가능하게 합니다. 기존 평가 프레임워크의 한계를 극복하기 위해, 우리는 원자 수준의 하위 작업에 초점을 맞춘 새로운 벤치마크를 추가로 제안합니다. 실험 결과는 제안된 시스템이 복잡한 진단 시나리오에서 뛰어난 성능을 발휘함을 보여줍니다.

While deep learning-based weather forecasting paradigms have made significant strides, addressing extreme weather diagnostics remains a formidable challenge. This gap exists primarily because the diagnostic process demands sophisticated multi-step logical reasoning, dynamic tool invocation, and expert-level prior judgment. Although agents possess inherent advantages in task decomposition and autonomous execution, current architectures are still hampered by critical bottlenecks: inadequate expert knowledge integration, a lack of professional-grade iterative reasoning loops, and the absence of fine-grained validation and evaluation systems for complex workflows under extreme conditions. To this end, we propose HVR-Met, a multi-agent meteorological diagnostic system characterized by the deep integration of expert knowledge. Its central innovation is the ``Hypothesis-Verification-Replanning'' closed-loop mechanism, which facilitates sophisticated iterative reasoning for anomalous meteorological signals during extreme weather events. To bridge gaps within existing evaluation frameworks, we further introduce a novel benchmark focused on atomic-level subtasks. Experimental evidence demonstrates that the system excels in complex diagnostic scenarios.